في الآونة الأخيرة، تم تقديم أساليب مختلفة للتعلم الآلي لمعالجة سيناريو التعلم القليل (few-shot learning) الصعب، أي التعلم من مجموعة بيانات مُعلمة صغيرة مرتبطة بمهمة محددة. اتخذت الطرق الشائعة شكل التعلم التمثيلي (meta-learning): التعلم على التعلم في المشكلة الجديدة بناءً على المشكلة القديمة. وبالنظر إلى أن التعلم التمثيلي يُنفّذ عملية التعلم ضمن نموذج متعدد المستويات، نقدّم معالجة بايزية للحلقة الداخلية للتعلم التمثيلي باستخدام النوى العميقة (deep kernels). وبذلك نتمكن من تعلّم نواة قادرة على الانتقال إلى مهام جديدة؛ ونُسمي هذا النهج "نقل النواة العميقة" (Deep Kernel Transfer - DKT). يتميّز هذا النهج بعدة مزايا: سهولة التنفيذ كمُحسِّن واحد، وتقديم تقديرات للعدم اليقين (uncertainty quantification)، ولا يتطلب تقدير معلمات مخصصة لكل مهمة. وقد أظهرنا تجريبيًا أن DKT يتفوّق على عدة خوارزميات حديثة متطورة في تصنيف التعلم القليل، ويُعدّ الأفضل في التكيّف عبر المجالات (cross-domain adaptation) والانحدار. نستنتج أن العمليات المعقدة للتعلم التمثيلي يمكن استبدالها بنموذج بايزية أبسط دون فقدان الدقة.