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“迁移学习基础”“现代迁移学习”和“迁移学习的应用与实践”三大部分，同时配有相关的代码、数据和论文资料，以最大限度地降低初学者的学习和使用门槛。
本书与前一版的主要区别在于新增了对迁移学习前沿关键主题的探讨，以及更多的应用实践内容。
本书适合对迁移学习感兴趣的读者阅读，也可作为相关课程的配套教材。

王晋东，微软亚洲研究院研究员、中国科学院计算技术研究所博士，主要从事迁移学习、机器学习和深度学习方面的研究。
研究成果发表在IEEE TNNLS、ACM TIST、CVPR、IJCAI、ACMMM、UbiComp等顶级期刊和会议，获得国家奖学金、中国科学院优秀博士论文奖、中科院计算所所长特别奖学金等。担任国际会议IJCAI 2019的宣传主席、顶级国际期刊会议IEEE TPAMI、TKDE、ICML、NeurIPS、ICLR、CVPR等的审稿人或程序委员会委员。
热心知识分享，在知乎的博客文章浏览次数逾700万次。

第Ⅰ部分 迁移学习基础
1 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 学术界和工业界中的迁移学习
1.6 迁移学习的应用
1.6.1 计算机视觉
1.6.2 自然语言处理
1.6.3 语音识别与合成
1.6.4 普适计算与人机交互
1.6.5 医疗健康
1.6.6 其他应用领域
参考文献
2 从机器学习到迁移学习
2.1 机器学习基础
2.1.1 机器学习概念
2.1.2 结构风险最小化
2.1.3 数据的概率分布
2.2 迁移学习定义
2.3 迁移学习基本问题
2.3.1 何时迁移
2.3.2 何处迁移
2.3.3 如何迁移
2.4 失败的迁移：负迁移
2.5 一个完整的迁移学习过程
参考文献
3 迁移学习方法总览
3.1 分布差异的度量
3.2 分布差异的统一表征
3.2.1 分布自适应因子的计算
3.3 迁移学习方法统一表征
3.3.1 样本权重迁移法
3.3.2 特征变换迁移法
3.3.3 模型预训练迁移法
3.4 上手实践
3.4.1 数据准备
3.4.2 基准模型构建：KNN
参考文献
4 样本权重迁移法
4.1 问题定义
4.2 基于样本选择的方法
4.2.1 基于非强化学习的样本选择法
4.2.2 基于强化学习的样本选择法
……
5 统计特征变换迁移法
6 几何特征变换迁移法
7 迁移学习理论、评测与模型选择
第Ⅱ部分 现代迁移学习
8 预训练-微调
9 深度迁移学习
10 对抗迁移学习
11 迁移学习的泛化
12 安全和鲁棒的迁移学习
13 复杂环境中的迁移学习
14 低资源学习
第Ⅲ部分 迁移学习的应用与实践
15 计算机视觉中的迁移学习实践
16 自然语言处理中的迁移学习实践
17 语音识别中的迁移学习实践
18 行为识别中的迁移学习实践
19 医疗健康中的联邦迁移学习实践
20 回顾与展望
附录