在数据挖掘领域，请解释迁移学习的定义，并列举其常见的应用领域有哪些？

回答思路

1. 【回答框架 1】迁移学习是一种机器学习方法，它利用源任务中学习到的知识来辅助目标任务的学习，核心是知识迁移和泛化能力的提升，与传统的独立训练模型不同。
2. 【回答框架 2】其主要应用场景包括：图像分类中利用预训练模型（如ImageNet）加速新类别识别；自然语言处理中通过预训练语言模型（如BERT）进行下游任务微调；推荐系统中利用跨领域用户行为数据缓解冷启动问题。
3. 【回答框架 3】此外，还应用于医疗诊断中从大规模影像数据迁移到罕见病识别，以及多任务学习场景中共享表示以提升整体性能。
4. 【回答框架 4】在数据挖掘中，迁移学习特别适用于目标数据量少或标注成本高的情况，通过源域知识降低训练风险。
5. 【回答框架 5】实际效果取决于源域与目标域的相似度，差异过大会导致负迁移，需通过领域适应技术修正。
6. 【关键点 1】迁移学习核心在于知识复用，典型形式包括参数迁移、特征迁移和实例迁移。
7. 【关键点 2】适用场景多为数据稀疏、标注昂贵或任务相关但分布不同的领域。
8. 【关键点 3】常见应用包括计算机视觉、文本分类、推荐系统、医疗和跨域多任务学习。
9. 【关键点 4】需注意源域与目标域差异，否则可能负迁移。
10. 【关键点 5】预训练加微调是当下最主流的迁移学习范式。
11. 【易错点 1】忽视源域与目标域分布差异，直接迁移会导致负迁移。
12. 【易错点 2】错误认为迁移学习适用于所有场景，数据充足时效果可能不如从头训练。
13. 【易错点 3】混淆迁移学习与领域适应，领域适应是迁移学习的一个子类，聚焦于分布偏移修正。