★美国计算机学会知识发现与数据挖掘专业委员会(ACM SIGKDD)主席，芝加哥伊利诺伊大学的计算机科学教授权威之作！
★全新修订版，更详细更专业的为我们介绍机器学习的新范式！
★用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，因此“机器学习”显得尤为重要，本书为我们普及了一种新的机器学习范式，有助于人工智能的进一步发展。
★本书适合学生、研究人员和对机器学习、数据挖掘和自然语言处理感兴趣的实践者，本书也可应用于课堂教学。

　　本书介绍了一种先进的机器学习模式，它通过积累过去的知识不断学习，然后用于未来的学习和解决问题。相比之下，当前占主导地位的机器学习范式是在孤立的环境中学习的：给定一个训练数据集，它在数据集上运行一个机器学习算法，以生成一个模型，然后在其预期的应用程序中使用。这种模式不会保留所学的知识并在随后的学习中使用。与这个孤立的系统不同的是，人类仅仅通过几个例子就能有效地学习，因为我们的学习是由知识驱动的：过去学到的知识可帮助我们更快地学习新的东西。终身学习的目的是模仿这种能力，因为没有它，人工智能系统就不能被认为是真正的智能系统。
　　自从第一版出版以来，在相对较短的时间内，终身学习的研究又有了显著的发展。第二版主要是扩展终身学习的定义，更新几个章节的内容，并增加一个新的章节——关于深度神经网络的持续学习。一些章节也被重新组织，这样每一个章节对读者来说更加连贯。此外，作者还想为研究领域提出一个统一的框架。目前，机器学习中有几个与终生学习密切相关的研究课题——最著名的是多任务学习、转移学习和元学习，因为它们也采用了知识共享和转移的概念，这本书把所有这些话题放在一个屋檐下，讨论它们的异同，其目标是介绍这种新兴的机器学习范式，并对该领域的重要研究成果和最新思想进行全面的调查和回顾。
　　本书适合于对机器学习、数据挖掘、自然语言处理或模式识别感兴趣的学生、研究人员和实践者，讲师也可以将这本书用于任何相关领域的课程。

Zhiyuan Chen
　　在Bing Liu教授的指导下获得了芝加哥伊利诺伊大学(UIC)的博士学位，于2016年加入谷歌。他的博士论文题目是“终身机器学习的主题建模和分类”，他的研究兴趣包括机器学习、自然语言处理、文本挖掘和数据挖掘。他提出了一些终身机器学习算法，以自动从文本文件中获取信息，并在诸如数据挖掘最高学术会议（KDD）、国际机器学习大会（ICML）、国际人工智能联合会议(IJCAI)和美国人工智能协会（AAAI)等重要会议上发表了超过15篇完整的研究论文。他在2015国际人工智能联合会议、2016KDD会议和2016自然语言处理顶级会(EMNLP)上提出了关于终身机器学习上的三个教程。他曾担任过许多著名的自然语言处理、数据挖掘、人工智能和网络研究会议的主席团（PC）成员。为了表彰他的学术贡献，2015年他被伊利诺斯州技术基金会授予Fifty For The Future©奖项。

Bing Liu
　　芝加哥伊利诺伊大学的计算机科学教授，拥有爱丁堡大学人工智能博士学位。他的研究兴趣包括终身机器学习、情感分析和观点挖掘、数据挖掘、机器学习和自然语言处理，他在这些领域的顶级会议和期刊上发表过大量的文章。他有两篇论文获得了数据挖掘最高学术会议（KDD）的10-year Test-of-Time奖。他还写了三本书:一本是关于网络数据挖掘的，另两本是关于情感分析的。他的一些作品被媒体广泛报道，包括《纽约时报》的头版新闻。
　　在专业服务方面，他现任美国计算机学会知识发现与数据挖掘专业委员会(ACM SIGKDD)主席，他曾担任过许多重要的数据挖掘项目和会议的主席,包括数据挖掘最高学术会议(KDD)、国际数据挖掘大会(ICDM)、信息与知识管理会议（CIKM）和亚太平洋地区数据挖掘会议(PAKDD)等，他也是《知识与数据工程汇刊》（TKDE）和《数据挖掘和知识发现》（DMKD）等主要期刊的副主编，他也是美国计算机协会（ACM)、美国人工智能协会（AAAI)人、电气与电子工程师协会（IEEE)成员之一。