此数据集主要用来测试Transfer Component Analysis（TCA）算法.

Mean Maximum Discrepancy计算代码，分为线性核和高斯核两种，以pytorch书写的

python迁移学习实战通过讲述构建原则解决问题和实现复杂情况来实现工程

本文总结了近年来基于深度卷积神经网络的人脸美丽预测与分析的研究进 展，并指出未来有待解决的问题和发展方向。

猫狗大战迁移学习实战项目所需的完整模型+测试数据，可以自己直接加载进行测试使用 results：自己基于迁移学习方法训练得到的二分类模型 test：bing搜索引擎图像数据爬虫结果，针对cat和dog两类目标分别爬取了200多张图像数据 test1：随机从kaggle数据集每类的12500张数据中抽取100张图像组成的测试数据集

迁移学习旨在利用大量已标签源域数据解决相关但不相同的目标域问题. 当与某领域相关的新领域出现时, 若重新标注新领域, 则样本代价昂贵, 丢弃所有旧领域数据又十分浪费. 对此, 基于SVM算法提出一种新颖的迁移学习算法—–TL-SVM, 通过使用目标域少量已标签数据和大量相关领域的旧数据来为目标域构建一个高质量的分类模型, 该方法既继承了基于经验风险最小化最大间隔SVM的优点, 又弥补了传统SVM不能进行知识迁移的缺陷. 实验结果验证了该算法的有效性.

传统的卷积神经网络目标检测算法需要使用大量的数据来对网络参数进行训练,会花费大量的时间,并且森林火灾数据属于小样本数据。基于此,提出一种基于迁移学习的卷积神经网络森林火灾检测算法,该算法采用迁移学习的方法训练森林火灾检测网络模型。在建立的森林火灾数据集上进行实验,结果表明使用该算法进行森林火灾检测,准确率可达97%,具有准确率高、误报率低、检测时间短等优点,将其应用在森林火灾检测上具有一定的可行性。

matlab的egde源代码libTLDA 迁移学习者和领域自适应分类器的库。 该软件包包含以下分类器： 重要性加权与高斯比率 重要性加权与核密度估计 重要性加权与后勤歧视 核均值匹配 最近邻加权 转移成分分析 测地线内核（仅适用于Matlab） 子空间对齐 半监督子空间对齐（仅限python） 结构对应学习 稳健的偏见感知分类 功能级域自适应 目标对比悲观风险（仅python） Python 安装 可以通过pip完成安装： pip install libtlda pip软件包将安装所有依赖项。 为了确保这些依赖关系不会弄乱您当前的python环境，您应该设置一个虚拟环境。 如果您使用，可以通过运行以下命令来解决： conda env create -f environment.yml source activate libtlda 用法 LibTLDA遵循与相似的结构。 例如，可以通过几类输入分类器： from libtlda . iw import ImportanceWeightedClassifier 通过带有标记的源样本(X,y)和未标记的目标样本Z的数据集，可以使用以下方法

本综述的主要目的是提供一个特定的、可以说是最流行的迁移学习子领域——领域自适应——最新理论结果的概述。

在互联网金融机构有很多信贷业务, 部分新开展的业务由于客户数据较少, 无法建立有效的信用评分模型. 本文研究将迁移学习思想应用到该问题中, 利用已有其他业务的客户数据帮助新开展的业务建立有效的信用评分模型. 本文提出一种联合Triplet-Loss表征学习和领域适配的深度学习方法对已有业务数据进行重新编码, 并将重新编码后所得的知识迁移到新开展业务的模型中, 最后使用XGBoost做为分类器. 针对上述问题, 本文提出的模型相对传统机器学习方法在效果上有一定提升, 在一定程度上解决了该问题.