导语

  

内容提要

  

    迁移学习作为机器学习和人工智能领域的重要方法，在计算机视觉、自然语言处理、语音识别等领域都得到了广泛的应用。本书的编写目的是帮助迁移学习及机器学习相关领域的初学者快速入门。全书主要分为背景与概念、方法与技术、扩展与探索及应用与展望四大部分。除此之外，本书还配有相关的代码、数据和论文资料，最大限度地降低初学者的学习和使用门槛。
    本书适合对迁移学习感兴趣的读者阅读，也可以作为相关课程的配套教材。

第一部分  背景与概念
  第1章  绪论
    1.1  迁移学习
    1.2  相关研究领域
    1.3  迁移学习的必要性
      1.3.1  大数据与少标注之间的矛盾
      1.3.2  大数据与弱计算能力的矛盾
      1.3.3  有限数据与模型泛化能力的矛盾
      1.3.4  普适化模型与个性化需求的矛盾
      1.3.5  特定应用的需求
    1.4  迁移学习的研究领域
      1.4.1  按特征空间分类
      1.4.2  按目标域有无标签分类
      1.4.3  按学习方法分类
      1.4.4  按离线与在线形式分类
    1.5  迁移学习的应用
      1.5.1  计算机视觉
      1.5.2  自然语言处理
      1.5.3  普适计算与人机交互
      1.5.4  医疗健康
    1.6  学术会议和工业界中的迁移学习
  第2章  从机器学习到迁移学习
    2.1  机器学习及基本概念
    2.2  结构风险最小化
    2.3  数据的概率分布
    2.4  概念与符号
    2.5  迁移学习的问题定义
  第3章  迁移学习基本问题
    3.1  何处迁移
    3.2  何时迁移
    3.3  如何迁移
    3.4  失败的迁移：负迁移
    3.5  完整的迁移学习过程
第二部分  方法与技术
  第4章  迁移学习方法总览
    4.1  迁移学习总体思路
    4.2  分布差异的度量
      4.2.1  百花齐放的迁移学习分布度量
      4.2.2  分布差异的统一表征
      4.2.3  分布自适应因子的计算
    4.3  迁移学习统一表征
      4.3.1  样本权重迁移法
      4.3.2  特征变换迁移法
      4.3.3  模型预训练迁移法
      4.3.4  小结
    4.4  上手实践
      4.4.1  数据准备
  ……
第三部分  扩展与探索
第四部分  应用与展望
参考文献