迁移学习

将在一个场景中学习到的知识，迁移到另一个场景应用中，一直是人工智能研究领域的一个热门领域，也是一种行之有效的快速将知识积累跨领域应用的方法。

本课程的内容将讲述各种迁移学习的方法，包括在同领域不同任务、不同领域任务、数据受限等多场景下的方法，涵盖有监督、无监督学习等涉及到的迁移学习。同时结合代码，我们将看到，如果将在一个数据集上学到的知识/模式做拓展，应用到另外一个数据集上，并取得不错的效果。

 

课程特色

1）从有监督到无监督，涵盖多种场景下的迁移学习

2）多领域迁移学习一次全通

3）基于数据案例，透彻理解迁移学习实现方法和注意点

4）结合真实工业届实战项目讲解

 

第1课 迁移学习详解

• 知识点1：有监督到有监督：Fine-tune, 多任务学习
• 知识点2：有监督到无监督：域对抗训练, Zero-shot learning
• 知识点3：无监督相关迁移学习：Self-taught learning

第2课 迁移学习实战

• 实战项目：fine-tune图像识别：从已有的GoogLeNet/ResNet轻松迁移，高准度解决其他图像识别问题
• 实战项目：Tensorflow实现域对抗训练：学习如何从有监督的图像识别模型，迁移用到(类似场景)没有标签的图像识别
• 实战项目：音乐分类和回归的迁移学习：学习如何迁移学习解决多种语音识别问题(语音场景判断、情感判断、语音/音乐判断)