Few-shot Learning – uczenie się na podstawie bardzo małej liczby przykładów.

Jest to technika uczenia maszynowego, która umożliwia modelom zdobywanie wiedzy i podejmowanie decyzji na podstawie bardzo ograniczonej liczby przykładów treningowych. W przeciwieństwie do tradycyjnych metod, wymagających dużych zbiorów danych, podejście to pozwala na szybkie dostosowanie się do nowych zadań przy minimalnej ilości dostępnych informacji. Kluczowym elementem jest wykorzystanie wcześniej nabytej wiedzy z pokrewnych problemów lub zastosowanie specjalnych architektur modeli, które ułatwiają generalizację.

Techniki few-shot learning często bazują na metodach meta-uczenia, transfer learningu lub wykorzystaniu pretrenowanych sieci neuronowych, które dzięki swojej elastyczności potrafią efektywnie rozpoznawać wzorce mimo niepełnych danych. Zastosowanie tych metod znajduje się w obszarach takich jak rozpoznawanie obrazów, przetwarzanie języka naturalnego czy systemy rekomendacyjne. Metoda ta jest szczególnie cenna w sytuacjach, gdy zbieranie dużych zbiorów danych jest kosztowne, czasochłonne lub praktycznie niemożliwe.