تُعد تكبير البيانات أحد أكثر الطرق فعالية لتحسين دقة نماذج التعلم الآلي الحديثة، كما أنه أمر لا غنى عنه لتدريب نموذج عميق باستخدام منهجية التعلم المتعدد المستويات (meta-learning). في هذه الورقة، نقدّم طريقة لتكبير المهام من خلال الدوران، حيث نُضاعف عدد الفئات عن طريق تدوير الصور الأصلية بزاوية 90 و180 و270 درجة، على عكس الطرق التقليدية لتكبير البيانات التي تُضاعف عدد الصور. وبفضل زيادة عدد الفئات، يمكننا خلال التدريب أخذ أمثلة أكثر تنوعًا للمهام. وبالتالي، يسمح لنا تكبير المهام عبر الدوران بتدريب شبكة عميقة باستخدام منهجيات التعلم المتعدد المستويات مع تقليل الازدواجية (over-fitting) بشكل كبير. أظهرت النتائج التجريبية أن منهجنا يتفوق على طريقة الدوران التقليدية التي تُضاعف عدد الصور، ويحقق أداءً من الدرجة الأولى (state-of-the-art) على معايير التعلم القليل النموذجية (few-shot learning) مثل miniImageNet وCIFAR-FS وFC100. يمكن الوصول إلى الكود عبر الرابط: \url{www.github.com/AceChuse/TaskLevelAug}.