التعلم باللقطة القليلة هو نوع من مهام التعلم الآلي حيث يتم تقديم أمثلة قليلة فقط لمفهوم معين. فهو يسمح للأنظمة بالتعلم من عدد صغير من الأمثلة وتطبيق تلك المعرفة على عدد أكبر من المهام في بيئة خاضعة للرقابة.
يعد التعلم القليل طريقة جذابة في علوم الكمبيوتر لأنه يلغي الحاجة إلى عمليات جمع البيانات والتعليقات التوضيحية واسعة النطاق مع الاستمرار في السماح بتطوير نماذج فعالة للتعلم الآلي. بالمقارنة مع التعلم الآلي التقليدي الخاضع للإشراف، يوفر التعلم قليل اللقطات مزايا أوقات التدريب الأسرع وتقليل متطلبات التخزين وتحسين أداء تعميم النموذج.
يُطلق على النوع الأكثر شيوعًا من التعلم القليل اللقطات اسم التعلم القريب من ضربة واحدة، مما يعني أنه يتم تدريب النموذج على بضعة أمثلة فقط من المفهوم الذي يحتاج إلى تحديده. يُعرف النوع الأكثر شيوعًا للتعلم القريب من لقطة واحدة بالشبكة السيامية. يتضمن هذا النوع من الشبكات استخدام خوارزمية لتحديد ما إذا كان هناك مدخلان متشابهان أو مختلفان من حيث فهم المهمة التي تحتاج إلى إكمالها.
الهدف من التعلم باللقطات القليلة هو تصنيف الصور أو النصوص بدقة وسرعة من خلال تقديم أمثلة قليلة فقط للمفهوم. إحدى حالات الاستخدام الشائعة هي التشخيص الطبي، خاصة في تحديد الأمراض غير المرئية باستخدام كمية صغيرة من البيانات.
ويُنظر إلى التعلم باستخدام لقطات قليلة كبديل واعد للتعلم الآلي التقليدي الخاضع للإشراف، نظرًا لقدرته على توليد نتائج دقيقة بسرعة مع نقاط بيانات أقل. في حين أن هناك بعض التحديات التي ينطوي عليها الأمر مثل تعميم النموذج المستفادة في ظل وجود قيم متطرفة للبيانات، إلا أن البحث مستمر لتحسين دقته وفائدته.
