引言
迁移学习（Transfer Learning）是人工智能和机器学习中的重要技术之一。迁移学习旨在将知识从已有的模型迁移到待学习的目标的过程，例如，我们可以将应用于电影评论的分类器迁移到电子产品的分类。在预训练大模型炙手可热的今天，迁移学习技术也变得越来越重要。通过不同的迁移学习方法，如基于实例、基于特征、基于模型等，我们可以将预训练模型更好、更快地应用于下游任务中。经过多年的发展，迁移学习在计算机视觉、自然语言处理、语音识别、普适计算、计算医疗、金融物流等各方面均有着广泛的应用。
Introduction to Transfer Learning
Algorithms and Practice
扫码查看图书详情
作者寄语
迁移学习已经成为机器学习的基础性研究课题之一。如何进行预训练模型的微调？何时应该迁移、应该迁移到哪个学习目标？如何进行鲁棒高效的迁移？这些问题在研究和应用领域均有着巨大的价值。我们在2021年出版的《迁移学习导论》一书，配合开源代码、课程、讲座等各种资料，帮助众多初学者成功入门迁移学习。本次英文版终于和读者见面，期待本书能帮助更多读者了解和学习该技术。
图书简介
本书是《迁移学习导论》第二版的英文翻译，它系统地介绍了迁移学习的产生背景、问题定义、核心方法、理论基础、深度迁移学习等核心技术，以及低资源、复杂环境、泛化、对抗等方面的最新研究进展。特别地，本书提供了相关代码，完整展现了迁移学习在计算机视觉、自然语言处理、语音识别、医疗和普适计算等领域的应用。本书基于于中文版广大读者的反馈进行修改，力求做到更准确、简练、对读者更友好。
本书适用于计算机、人工智能、机器学习、数据科学等相关专业的学生、研究人员、从业者、工程师或技术顾问。对该领域有兴趣爱好者也可以从本书的介绍性章节中受益。
作者介绍
王晋东
微软亚洲研究院主管研究员、中科院计算所博士。研究兴趣为迁移学习、鲁棒机器学习、半监督学习及相关的视觉和普适计算等应用。在国际知名会议和期刊如NeurIPS、ICLR、CVPR、IJCAI、UbiComp、ACMMM、TKDE、TASLP等发表50余篇论文，谷歌学术被引5000余次。获得IJCAI-19联邦学习研讨会最佳应用论文奖、清华大学AMiner 2012-2022十年最具影响力AI学者等荣誉奖项。出版的《迁移学习导论》一书帮助众多研究人员快速入门和学习该领域。领导开源了Github上最受欢迎的迁移学习项目（获得超1万星标）、半监督学习项目TorchSSL和USB、以及个性化联邦学习项目PersonalizedFL等。
个人主页：https://jd92.wang/
陈益强
中国科学院计算技术研究所所务委员、研究员、CCF Fellow，主要研究人机交互与普适计算，联邦学习与迁移学习等。任北京市移动计算与新型终端重点实验室主任、中科院计算所泛在计算系统研究中心主任，曾入选国家“万人计划”科技创新领军人才、科技部中青年科技创新领军人才、北京市科技新星等，国务院特殊津贴专家，东京大学、南洋理工大学兼职教授IEEE计算智能等6个刊物的编委，IEEE可穿戴与智能交互技术委员会创始委员等。获IJCAI-FL等人工智能和普适计算领域最佳论文奖6项;相关成果获国家科技进步二等奖及中国计算机学会技术发明一等奖等。
章节浏览
