Մեքենայական ուսուցման՝ հատկապես «խորը» ուսուցման ալգորիթմների օգտագործմամբ, բազմաթիվ կիրառական խնդիրներ հնարավոր է լուծել՝ ապահովելով բարձր ճշգրտություն։ Սակայն որոշ ոլորտներում ( բիոինֆորմատիկա, ռոբոտաշինություն և այլն ) կիրառական խնդիրների համար բավարար ճշգրտություն ապահովող տվյալների ձեռքբերումը կարող է լինել թանկարաժեք, երբեմն նաև անհնար, որն էլ սահմանափակում է այդ ոլորտների զարգացումը։ Շատ կարևոր է կրճատել ուսուցման տվյալների հավաքագրման անհրաժեշտությունը խնդիրների այնպիսի տիրույթներում, որտեղ բավարար քանակությամբ ուսուցման տվյալներ չկան։ Անբավարար տվյալների դեպքում մեքենայական ուսուցման հիմնական խնդիրները լուծելու համար տրասֆերային ուսուցումը շատ կարևոր գործիք է։
Սույն մագիստրոսական աշխատանքը վերաբերում է տվյալների՝ վերահսկվող առաջադրանքի ուսուցմամբ ստացվող ներկայացումների օգնությամբ իրականացվող տրանսֆերային ուսուցման մեթոդի մաթեմատիկական վերլուծությանը: Աշխատանքում ստացված միջին վերահսկիչ կորստի սխալանքի գնահատականը թույլ է տալիս մաթեմատիկորեն մեկնաբանել, թե ինչու են փորձնական ճանապարհով ստացվող ներկայացումները բարելավում նոր դասակարգման առաջադրանքների ճշգրտությունը։ Իրականացված փորձարկումները նույնպես հաստատում են սխալանքի՝ տեսական գնահատականում մասնակցող մեծությունների միջև առնչությունների կապը։