- 文献综述（或调研报告）：
迁移学习：
迁移学习，顾名思义，就是要进行迁移。放到我们人工智能和机器学习的学科里讲，迁移学习是一种学习的思想和模式。
机器学习是人工智能的一大类重要方法，也是目 前发展最迅速、效果最显著的方法。机器学习解决的是让机器自主地从数据中获取知识，从而应用于新的问题中。迁移学习作为机器学习的一个重要分支，侧重于将已经学习过的知识迁移应用于新的问题中。
迁移学习的核心问题是，找到新问题和原问题之间的相似性，才可以顺利地实现知识的迁移。比如在我们一开始说的天气问题中，那些北半球的天气之所以相似，是因为它们的地理位置相似；而南北半球的天气之所以有差异，也是因为地理位置有根本不同。
回到问题中来,我们用更加学术更加机器学习的语言来对迁移学习下一个定义。迁移学习，是指利用数据、任务、或模型之间的相似性，将在旧领域学习过的模型，应用于新领域的一种学习过程。
在线迁移学习：
迁移学习可以用来解决训练数据缺失的问题，很多迁移学习方法都获得了长足的进步。给定一个要学习的目标域数据，我们可以用已知标签的源域数据来给这个目标域数据构造一个分类器。但是这些方法都存在很大的一个问题：它们都是采用离线方式进行的。就是说，一开始，源域和目标域数据都是给出来的，我们直接做完迁移，这个过程就结束了。
但是真实的应用往往不是这样的：数据往往是以序列的形式不断送来的。也就是说，我们一开始的时候，也许只有源域数据，目标域数据是逐步送来的。这就是所谓的“在线迁移学习”。这个概念脱胎于“在线学习”的模式，在线学习是机器学习中一个重要的研究概念。
就目前来说，在线迁移学习方面的工作较少。第一篇在线迁移学习的工作由新加坡管理大学的Steven Hoi 发表在2010年的机器学习顶级会议ICML上。作者提出了OTL框架 [2]，可以对同构和异构数据很好地进行迁移学习。
近年来，研究者发表了一些在线迁移学习相关的文章。其中包括在多个源域和目标域上的 OTL[3]，在线特征选择迁移变换 [4]，在线样本集成迁移 [5] 等。
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
