1. 综述：第一次由汪凌峰师兄讲解A Survey on Transfer Learning，综述性质的文章，给我们科普性的介绍TL。文章写的很好，不长，还是综述性质的，所以推荐大家在讲解之前都仔细阅读，上路之前有一个方向。
2. 理论部分：建议选取07-08年的ICML和NIPS上的文章；推荐Daiwen Yuan的文章；不推荐师弟们讲述。
3. 应用部分：根据各自的专业方向选择，不过为了考虑整体利益，建议选取三大顶级会议（ICCV，CVPR，ECCV）上的应用文章，尽量选择偏图像应用的、有代码的文章。

a. 论文列表。list地址：http://www1.i2r.astar.edu.sg/~jspan/conferenceTL.html。另外我和刘绍国师兄会尽快选取一些文章分类放在服务器上面，还有每篇文章的简要介绍以及推荐程度。假如有人选定哪篇文章，请在列表中该文章title后面加上你的大名，比方A Survey on Transfer Learning（汪凌峰）。
b. 代码。code地址：http://www.cse.ust.hk/TL/index.html。推荐TL matlab工具包：http://multitask.cs.berkeley.edu/。

（@师弟：下面一些观点是我目前的个人经验，仅限于新手，可能是片面极端的：我们不是搞专业算法的，所以我们了解TL或者说Sparse只有两个目的：(1)他们能在哪些情况中work的比较好，为什么能work好，这样我们在碰到类似场景时能去借用和改用；（2）有哪些主要算法，有没有相应代码可以快速实现，这样我们动手就快一点。通常来说，我们理论基础不够深厚的情况下一般是尝试多种算法跑出好结果才会去思考为什么这种算法好；另外我一般会思考TL或者Sparse能否有助于我解决自己的问题，但很可能有想法也不去实现，不去实现的原因是想法实现时间成本较大，所以搁置了。建议一开始就去熟悉TL matlab工具包，因为也许以后能记住的就只有算法的思想和怎么跑这些代码了。）