Överförningsinlärning (eller "transfer learning") innebär inom maskininlärning att man använder kunskap som erhållits från en tidigare uppgift för att träna på att lösa en annan uppgift. Normallt sett är det annars ett vanligt antagande att en ny uppgift bör tränas "på nytt" även om datasettet är detsamma eller liknande; för en "träning" är den säkraste metoden för att åstadkomma välfungerande lösningar på uppgiften.

Man kan istället använda transfer learning för att snabba på processen, så att en modell tränas på en annan modell (utifrån vissa förutbestämda och utvalda parametrar eller processer). Detta är ofta extremt ekonomiskt, och kan vara användbart speciellt för stora och dyra modeller som språkmodeller (LLMs).

Människor använder sig av metoder som liknar överförningsinlärning när vi lär oss något genom indirekt upplevelse, exempelvis genom att få något förklarat för oss eller läsa en text. Om vi kan tillämpa det för att lösa en ny uppgift har vi (trots att vi inte nödvändigtvis hade tillgång till ursprunglig data eller de erfarenheter som skulle skapa en mer "dataorienterad inlärning") gjort en överföring av användbarheten av kunskapen.