Emprunter des informations sur des populations ayant des tendances de mortalité similaires est une stratégie reconnue pour la prédiction de mortalité d’une population cible. Cela reflète le concept d’apprentissage par transfert, une notion prometteuse et populaire dans les domaines modernes d’exploration de données et d’apprentissage automatique, qui cherche à améliorer la performance de systèmes d’apprentissages cibles pour des domaines ciblés, en transférant le savoir contenu dans différents domaines source. Ce projet s'intéresse à appliquer l’apprentissage par transfert à des applications actuarielles de prédictions de mortalité. Nous explorons de quelle façon les données provenant d’autres ensembles de données sur la mortalité peuvent être intégrées dans le cadre d’apprentissage par transfert de paramètre dans le but d’améliorer les prédictions de mortalité pour une population cible. Notre approche comprend l’intégration des modèles de prédiction de mortalité actuels dans un cadre de régularisation avec solutions analytiques. De plus, nous développons un algorithme de mise à jour itérative pour les modèles de mortalité classiques et les formes de pénalité.