迁移学习导论电子书

前折页

内容简介

好评袭来

写在前面

致谢

前言

符号表

术语表

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

1.4 迁移学习的研究领域

1.5 迁移学习的应用

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

4.3 迁移学习统一表征

4.4 上手实践

4.5 迁移学习理论

第5章 样本权重迁移法

5.1 问题定义

5.2 基于样本选择的方法

5.3 基于权重自适应的方法

5.4 上手实践

5.5 小结

第6章 统计特征变换迁移法

6.1 问题定义

6.2 最大均值差异法

6.3 度量学习法

6.4 上手实践

6.5 小结

第7章 几何特征变换迁移法

7.1 问题定义

7.2 子空间变换法

7.3 流形学习法

7.4 最优传输法

7.5 上手实践

7.6 小结

第8章 预训练方法

8.1 深度网络的可迁移性

8.2 预训练–微调

8.3 预训练方法的有效性分析

8.4 自适应的预训练方法

8.5 重新思考预训练模型的使用

8.6 上手实践

8.7 小结

第9章 深度迁移学习

9.1 总体思路

9.2 深度迁移学习的网络结构

9.3 数据分布自适应的深度迁移学习方法

9.4 结构自适应的深度迁移学习方法

9.5 知识蒸馏

9.6 上手实践

9.7 小结

第10章 对抗迁移学习

10.1 生成对抗网络

10.2 对抗迁移学习基本思路

10.3 数据分布自适应的对抗迁移方法

10.4 基于信息解耦的对抗迁移方法

10.5 基于数据生成的对抗迁移方法

10.6 上手实践

10.7 小结

第11章 迁移学习热门研究问题

11.1 类别不均衡的迁移学习

11.2 多源迁移学习

11.3 开放集迁移学习

11.4 时间序列的迁移学习

11.5 联邦迁移学习

11.6 基于因果关系的迁移学习

11.7 自动迁移学习

11.8 在线迁移学习

第三部分 扩展与探索

第12章 领域泛化

12.1 领域泛化问题

12.2 基于数据分布自适应的方法

12.3 基于解耦的方法

12.4 基于集成模型的方法

12.5 基于数据生成的方法

12.6 基于元学习的方法

12.7 小结

第13章 元学习

13.1 元学习简介

13.2 基于模型的元学习方法

13.3 基于度量的元学习方法

13.4 基于优化的元学习方法

13.5 元学习的应用与挑战

13.6 小结

第14章 迁移学习模型选择

14.1 模型选择

14.2 基于密度估计的模型选择

14.3 迁移交叉验证

14.4 小结

第四部分 应用与展望

第15章 迁移学习的应用

15.1 计算机视觉

15.2 自然语言处理

15.3 语音识别与合成

15.4 普适计算与人机交互

15.5 医疗健康领域

15.6 其他应用

15.7 小结

第16章 迁移学习前沿

16.1 融合人类经验的迁移

16.2 迁移强化学习

16.3 迁移学习的可解释性

16.4 迁移学习系统

附录A

A.1 常用度量准则

A.2 迁移学习常用数据集

A.3 本书相关资源

参考文献

后折页