★人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
★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。
★本书是关于人工智能方面终身机器学习的专业详细介绍！
★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。

本书主要讲述一种先进的机器学习范式，通过不断学习，同时积累在以前的任务中所学到的知识，并利用这些知识来帮助未来的学习。在这个过程中，学习者的知识储备量不断增大和学习效率也能进一步提高，这种学习能力是人类智慧的标志之一。
然而，目前占主导地位的机器学习范式仍是孤立的单任务学习：给定一个数据集，运行一个ML算法，然后构建一个模型，学到的知识没有保留或积累，同样对以后的学习也没有任何帮助。虽然目前看来这个孤立的学习范式非常成功，但它需要大量的训练示例，并且只适用于限制环境中有明确定义的狭义任务，不能自我激励和自我学习。相比之下，我们人类可以更加高效地学习，因为积累过去学到的知识，并利用它们去学习更多知识。
终身机器学习旨在达到人类的这种学习能力，随着统计机器学习的成熟，是时候采取相应措施打破现有的孤立的学习传统，向终身学习目标前进，把机器学习带到新的高度。智能助手、聊天机器人和物理机器人等在现实生活环境中与人类和系统互动的应用程序也在呼唤这种终生学习能力。如果没有积累所学知识的能力，也不具备应用积累的知识的能力的话，系统可能永远不会实现真正智能化。

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。

目录
前言
致谢
1 介绍
1.1 终身学习的简要介绍
1.2 定义
.....
2 相关学习模式
2.1 迁移学习
2.2 多任务学习
......
3 终生监督学习
4 终身无监督学习
5 终身半监督学习
6 终身强化学习
7 结论和未来的发展方向
参考文献
作者自传

本书关键词：终身机器学习;终身学习;学习与记忆;积累学习;多任务学习;迁移学习