会员服务 ·

文末送书 | GitHub收获1W星标！《迁移学习导论》重新整理升级

2022 年 8 月 9 日 PaperWeekly

王晋东，陈益强著

机械工业出版社 2022-07-01

ISBN: 9787121436505 定价: 119.00 元

新书推荐

🌟今日福利

｜关于本书｜

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。

迁移学习怎么学？

相信不少小伙伴最初都是通过王晋东老师知乎上的《小王爱迁移》系列文章或在GitHub上开源发布的《迁移学习简明手册》来学习的！

这一系列的材料帮助了很多读者可以快速入门迁移学习，也获得了大家的好评（GitHub收获1W星标）。

之后，作者将这本手册全面更新，写就了《迁移学习导论》一书，这本书更是受到众多读者的喜爱，收获如潮好评！

作者们也持续秉承精益求精、事无巨细的态度，在微信群、微信公众号、知乎、GitHub等平台解答读者的疑问；同时，也一直倾听读者的反馈，务求使本书变得更好。

经过将近一年的总结、思考和倾听，作者们对本书重新进行整理，以求读者能看到更加完美的版本—— 《迁移学习导论（第2版）》 。

在此新版中，作者们基于初版读者的反馈对初版进行了大刀阔斧的修改：添加了新的内容、调整了内容结构使其更易阅读、加入了新的应用实践代码使其更易上手、重新整理修改了所有代码从而保证了可复现性。

新版升级了哪些内容？

新版对比初版有诸多不同。

首先，第2版包含了第1版的所有内容。

其次，在此基础上，经过众多读者火眼金睛的审视，作者听取建议、不断修改，打磨出了更好的结构、更多的升级内容。

因此，第2版可以完全取代第1版。

如果已有第1版，则有以下需求的同学，可以购买第2版：

想了解更多迁移学习的前沿进展，包括安全性、泛化性、低资源学习、复杂环境迁移、正则化迁移等，则非常推荐购买第2版。
想从头系统学习迁移学习的发展，则第2版的组织与内容比第1版更为合理、对入门更友好。
想学习更多的实践代码，则第2版包含了CV、NLP、医疗、行为识别等众多代码案例。
第2版从头重写、修正了一些第1版的写作错误，想更顺畅地阅读的，可以购买第2版。

从大的方面讲，新版只包括三部分：

第1章到第7章为“迁移学习基础”部分
第8章到第14章为“现代迁移学习”部分
第15章到第19章为“迁移学习的应用与实践”部分。

简单来说，新版比初版有着更好的结构、更多的内容、更精炼的语言、更多的实例。

具体而言，新版和初版的不同之处主要有：

新增：“安全和鲁棒的迁移学习”一章，包括安全迁移学习、无需源数据的迁移学习等新主题和联邦学习等更丰富的内容，在新版第12 章；
新增：“复杂环境中的迁移学习”一章，包括类别非均衡的迁移学习、多源迁移学习等内容，在新版第13 章；
新增：“低资源学习”一章，包括新增的迁移学习模型压缩、半监督学习、自监督学习等主题，并修改了初版“元学习”一章的内容，在新版第14 章；
新增：迁移学习在计算机视觉、自然语言处理、语音识别、行为识别、医疗健康五个方面的代码实践，在新版第15 章至第19 章。
新增：迁移学习模型选择，在新版第7 章；
新增：迁移学习中的正则，在新版第8 章；
新增：基于最大分类器差异的对抗迁移方法，在新版第10章；
新增：更全面的领域泛化的方法，在新版第11 章；
新增：领域泛化的理论介绍，在新版第11 章；
调整：全新整理的每章代码和数据集仓库，更好地上手实践复现；
调整：将初版的第2 章、第3 章、第4 章部分内容合并为一章，在新版第2 章；
调整：将初版的第15 章调整到第1 章的应用部分；
调整：将初版第4 章“迁移学习理论”部分与第14 章“迁移学习模型选择”部分合并为一章，在新版第7 章；
调整：为方便参考，将每章的参考文献单独放在章节之后；
修改：修改了所有之前的内容表述和存在的错误。

本书亮点

本书独辟蹊径，从读者学习的角度出发，以“讲课”的形式，归纳分析各类迁移学习方法，使读者能快速理解迁移学习的本质问题、抓住重点、举一反三、迅速入门。

本书的一大亮点是对“两头“的把握：

一是源头，抓问题和场景，做到“师出有名”，讲清楚针对什么问题、用在哪里；

二是笔头，抓代码与实践，做到“落地结果”，在实战中巩固和深化对技术的理解。

考虑多方位学习的需求，本书配有实践代码、学习资料、相关笔记和最新文章，并持续更新。

一书入手，一步到位！

本书作者

好评来袭

迁移学习旨在利用已有的数据、模型和知识，通过领域相似性和“举一反三”的联想能力，把学到的通用知识适配到新的领域、场景和任务上，它使机器学习拥有更强大的泛化能力。

本书作者长期和我的实验室合作，积累了丰富的科研经验，多年来辛勤地在大众媒体上普及迁移学习的相关知识。在本书中，他们保持了一贯的简明通透的写作风格，用贴近学生群体的语言，将迁移学习的发展历史、基础知识和最新进展娓娓道来。同时，本书配有用于实践的源码和数据集，增加了动手练习的环节，提高了趣味性。作为长期耕耘在迁移学习这一人工智能领域的学者和业界首本迁移学习著作（《迁移学习》）的作者，我强力推荐这本书给有志于从事迁移学习研究的同学，更快地入门和学习！
——杨强微众银行首席人工智能官、香港科技大学讲席教授

ACM/AAAI/IEEE Fellow

迁移学习是机器学习的一个重要研究分支，有广泛的应用价值。该书叙述简洁明了、内容丰富详实，对希望了解并应用迁移学习的读者很有帮助！

—— 周志华南京大学教授

ACM/AAAI/IEEE Fellow

迁移学习对于增强训练模型的适应性具有重要意义，受到很多学者的关注。这本书深入浅出、系统性地介绍了主要的迁移学习方法，并结合多个领域的应用进行示例分析，为从事相关技术的研究人员提供了非常有益的参考。

——陶建华博士中国科学院自动化研究所研究员

模式识别国家重点实验室副主任

迁移学习的核心思想中国早已有之，如《周易》云：“引而伸之，触类而长之，天下之能事毕矣也”。如今，迁移学习已成为人工智能的一项核心技术，在计算机视觉、自然语言语音处理、强化学习中得到了广泛的应用。本书语言简洁、内容丰富，相信可以启发读者举一反三、触类旁通，更好地解决手头的问题。

——秦涛博士微软亚洲研究院首席研究经理

中国科技大学兼职教授

迁移学习是机器学习的一个重要领域。在计算机视觉，自然语言处理，语音识别，推荐系统等领域有非常广泛的应用。

陈益强和王晋东两位老师通俗易懂地介绍了迁移学习的来龙去脉——不仅涵盖了基本的理论脉络、具体的方法和技术，还介绍了广泛的应用案例和未来的发展方向和前沿问题，为人工智能初学者提供了一份难得的、快速入门的学习和研究资料。

——汪军伦敦大学学院计算机教授

迁移学习，借用了面向对象编程的概念，就是模型层面的继承、是对已训练得到的机器学习模型的高效重用，能很大程度避免资源的重复消耗，是大模型民主化的重要途径之一。

本书详细介绍了迁移学习的概念和技术及最新的预训练、知识蒸馏、元学习等研究方向，内容上可谓面面俱到。除此之外，本书的一大亮点，是对“两头”的把握：一是源头，抓问题和场景，做到“师出有名”，讲清楚针对什么问题、用在哪里；二是笔头，抓代码与实践，做到“落地结果”，在实战中巩固和深化对技术的理解。相信这本书能带给读者思考与实践的双重乐趣，在算力爆炸的时代反思机器学习的高效之道！

——陈光北京邮电大学副教授

新浪微博@爱可可-爱生活