本书首先从迁移学习采用的技术出发，系统地介绍每一类迁移学习算法，包括基于非负矩阵分解、概率模型、传统深度学习、对抗深度学习、模型融合以及图神经网络等的迁移学习算法。针对每一类算法，从问题定义、算法原理、算法流程等方面重点进行介绍。然后针对迁移学习的应用场景，介绍典型的应用案例。最后，介绍迁移学习在百度飞桨平台上的实践。 本书旨在让迁移学习或者相关领域研究人员系统地掌握迁移学习的各类算法，熟悉各类应用场景，为迁移学习落地实践提供指导和帮助。

序
前言
作者简介
第1章 绪论
1.1 迁移学习缘起
1.2 学习的迁移理论
1.3 迁移学习定义
1.4 迁移学习与已有学习范式的关系
1.5 迁移学习未来的研究方向
第2章 基于非负矩阵分解的迁移学习算法
2.1 问题定义
2.2 基于共享词簇的知识迁移
2.3 基于相似概念（共享词簇-文档簇关联）的知识迁移
2.4 同时考虑相同和相似概念的知识迁移
2.5 综合考虑相同、相似、差异概念的知识迁移
2.6 软关联的知识迁移
2.7 本章小结
第3章 基于概率模型的迁移学习算法
3.1 问题定义
3.2 基于EM算法的朴素贝叶斯迁移算法
3.3 基于概率潜在语义分析的主题共享领域迁移算法
3.4 基于协同对偶概率潜在语义分析的多域领域迁移
3.5 更普适的基于潜在语义分析的多域领域迁移
3.6 基于组对齐的跨领域标签主题模型
3.7 基于粗粒度对齐主题模型的跨领域文本分类
3.8 本章小结
第4章 基于传统深度学习的迁移学习方法
4.1 问题定义
4.2 基于深度自编码器的迁移学习方法
4.3 深度领域自适应网络
4.4 深度子领域自适应网络
4.5 多表示自适应网络
4.6 同时对齐分布和分类器的多源自适应方法
4.7 基于注意力特征图的深度迁移学习方法
4.8 本章小结
第5章 基于对抗深度学习的迁移学习方法
5.1 问题定义
5.2 领域对抗神经网络
5.3 同时迁移领域和任务的迁移学习方法
5.4 基于生成对抗网络的像素级领域自适应方法
5.5 分类器一致性的无监督领域自适应方法
5.6 循环一致对抗领域自适应方法
5.7 本章小结
第6章 基于模型融合的迁移学习算法
6.1 问题定义
6.2 基于Boosting的模型融合
6.3 有监督与无监督的融合
6.4 基于优化目标正则化的方法
6.5 基于锚点的集成学习
6.6 本章小结
第7章 基于图神经网络的迁移学习算法
7.1 问题定义
7.2 同质图神经网络的迁移学习算法
7.3 异质图神经网络的迁移学习算法
7.4 本章小结
第8章 多任务学习
8.1 问题定义
8.2 传统多任务学习
8.3 基于深度神经网络的多任务学习
8.4 本章小结
第9章 多视图学习算法
9.1 问题定义
9.2 基于概率潜在语义分析的多视图学习
9.3 基于间隔原则的多视图学习
9.4 基于子空间聚类方法的多视图学习
9.5 基于完整空间方法的多视图学习
9.6 多任务多视图学习
9.7 推荐系统和人机对话领域的多视图学习方法
9.8 本章小结
第10章 迁移学习应用
10.1 自然语言处理中的应用
10.2 计算机视觉中的应用
10.3 推荐系统中的应用
10.4 金融风控中的应用
10.5 城市计算中的应用
10.6 本章小结
第11章 百度飞桨迁移学习应用实践
11.1 深度学习框架介绍
11.2 迁移学习在视频分类中的实践案例
11.3 迁移学习在目标检测中的实践案例
11.4 本章小结
参考文献