轻松开始
借用文中的话，解释一下迁移学习的思想：
迁移学习的思想是，通过发现大数据的模型和小数据问题之间的关联，然后把模型迁移过去，这样一来如果在大数据领域先得到了机器学习模型，在研究下一个相关领域时，只用一部分数据或者小数据就可以完成。利用迁移学习这一特征，我们就不用花大力气去收集资源了，这对人工智能的发展非常关键。
相关资料
杨强老师有一篇关于transfer learning的survey，感兴趣的同学可以移步去看看A Survey on Transfer Learning
台湾的李宏毅老师对迁移学习也做了一些有意思的讲解，迁移学习是要是要将源数据当中学到的”知识“迁移到目标数据当中，根据是否有标签label，李宏毅老师对迁移学习做了一个有意思的分类：
简单理解
个人觉得这是一个很有意思的分类，因为上面的很多概念，之前都在论文中多多少少见过，fine-tuning这个技术自然不用多说，现在做深度，为了提升效果，一般都在自己的数据库上以小学习率进行fine-tuning. 因为有IMAGEnet数据库在前，使用预训练好的模型，这是我自己理解的迁移学习，也没有深究细的分类。
对于Domain-adversarial training，自己看过一些论文，就是学习的时候，直接把这种相互之间的差异关系学出来。有关Zero-shot learning，就是有标签样本很少，李宏毅老师的分类是把它归为无标签。Self-taught learning，这个其实不是特别了解，完全无标签根本是无法学习的，所以我自己的理解，这里的源数据无标签，其实源数据和目标数据之间可能隐含着隐藏的标签或者弱标签。Self-taught Clustering同样理解不深，就不误导大家了，想要了解的，可以仔细看看李宏毅老师的ppt。