Prikupljanje skupova označenih podataka je u praksi vrlo zahtjevno ili ponekad i nemoguće, a da u isto vrijeme sadrže dovoljno podataka za uspješno učenje modela strojnog učenja. Jedno od mogućih rješenja ovog problema je učenje prijenosom znanja. U ovome radu je istraženo koliko je ova tehnika učenja uspješna za primjenu u domeni klasifikacije zvuka i pod kojim uvjetima. Učinci učenja prijenosom znanja promatrani su u smislu prediktivne izvedbe modela koji su evaluirani 𝐹𝐹1, MCC i ROC-AUC metrikama vrednovanja. U eksperimentu je korišten skup podataka koji ima manji broj označenih instanci kako bi se usporedilo tradicionalno učenje nad takvim skupom podataka od onog gdje se koristila tehnika učenja prijenosom znanja. Koristeći skup podataka koji ima veći broj označenih instanci, naučen je izvorni model iz kojeg je preneseno znanje u obliku težina na neuronima. Eksperiment se sastojao od pet različitih scenarija, a u svakom od njih je prenesena različita količina znanja u obliku težina iz određenih slojeva. Prijenos znanja se odvijao unutar iste domene primjene (klasifikacija zvuka). Promatrana je prediktivna izvedba svih modela. Kako bi se potvrdila opažanja u dobivenim rezultatima, primijenjen je statistički test kako bismo potvrdili značajnost rezultata. Opći zaključak ovog istraživanja je da učenje prijenosom znanja unutar domene klasifikacije zvuka može pozitivno utjecati na prediktivnu izvedbu modela.