大数据时代下的迁移学习_浅说“迁移学习”（Transfer Learning）

—— 原文发布于本人的微信公众号“大数据与人工智能Lab”(BigdataAILab)，欢迎关注。

什么是迁移学习？

迁移学习(Transfer Learning)是一种机器学习方法，是把一个领域(即源领域)的知识，迁移到另外一个领域(即目标领域)，使得目标领域能够取得更好的学习效果。

通常，源领域数据量充足，而目标领域数据量较小，这种场景就很适合做迁移学习，例如我们我们要对一个任务进行分类，但是此任务中数据不充足(目标域)，然而却又大量的相关的训练数据(源域)，但是此训练数据与所需进行的分类任务中的测试数据特征分布不同(例如语音情感识别中，一种语言的语音数据充足，然而所需进行分类任务的情感数据却极度缺乏)，在这种情况下如果可以采用合适的迁移学习方法则可以大大提高样本不充足任务的分类识别结果。

为什么现在需要迁移学习？

前百度首席科学家、斯坦福的教授吴恩达(Andrew Ng)在曾经说过：「迁移学习将会是继监督学习之后的下一个机器学习商业成功的驱动力」。

在本次2016年的 NIPS 会议上，吴恩达 给出了一个未来 AI方向的技术发展图，还是很客观的：

毋庸置疑，监督学习是目前成熟度最高的，可以说已经成功商用，而下一个商用的技术 将会是 迁移学习(Transfer Learning)，这也是 Andrew 预测未来五年最有可能走向商用的 AI技术。

吴恩达在一次采访中，也提到迁移学习会是一个很有活力的领域，我们之所以对