1，Ensemble methods解析
2，ML中的机器学习：Bagging、Boosting、GBDT等
3，Kaggle比赛中的Ensemble methods：Vote、Blend、Stacking等
4，为何Kaggle竞赛中的Ensemble methods会获得更好的精度？
5，Bagging ensemble method：row-based sampling、column-based sampling等
6，Bagging ensemble method中的并行训练及预测
7，Boosting串行训练多个模型：多错误样本权重调整、拟合误差
8，Blend和Average：对结果基于精度进行加权求和
9，Stacking：out of fold及交叉验证
10，模型和特征多样性
11，比赛对Bagging的使用
12，比赛对Boosting的使用
13，深度学习中的模型集成方法：Dropout
14，训练阶段调整句子顺序Flipping操作
15，对Ensemble进行Snapshot
16，Stochastic Weight Averaging操作
17，Pseudo Label解析：基于方差的标签构建
18，Kernel赛Pseudo Label和非Kernel赛的Pseudo Lable
19，Pseudo Lable实现四步骤详解
20，Knowledge distillation soft label
21，用于分类的network distillation：embedding layer、transformer layer、prediction layer
22，public LB及private LB
23，借助Roberta-large+和训练集相同books的外部数据集
24，使用Pooling解析及代码实现解析
25，混合使用不同来源的特征工程结果进行集成
26，高分作品1完整源码剖析
27，高分作品2完整源码剖析
28，高分作品3完整源码剖析
29，高分作品4完整源码剖析
30，高分作品5完整源码剖析
