1，模型集成ensemble有效性背后的Bayesian数学原理深度剖析

2，模型扰动造成的方差数学原理剖析

3，方差与normalization

4，基于投票思想的模型集成方法及其在多选题和完形填空中的应用

5，基于bagging思想的模型集成方法

6，基于boosting思想的集成方法

7，基于stacking思想的模型集成方法

8，Blending机制

9，阅读理解中的模型ensemble：BERT + Linguistic Knowledge + Ensemble Algorithm

10，用小模型去学习大模型的预测结果及泛化能力

11，Teacher model - distilled model架构解析

12，soft labels、hard label

13，soft predictions、hard prediction

14，信息对齐：样本、中间结果、网络结构

15，DistillBERT用于Knowledge Distillation

16，server framework + deep learning framework API

17，server framework + deep learning serving

18，modeling完整代码解析

19，data utils源码解析

20，model utils源码解析

21，classifier utils源码解析

22，classifier源码解析

23，squad_utils源码解析

24，run_squad源码解析

25，estimator源码解析

26，train方法源码解析

27，modeling_bert

28，modeling_roberta

29，ensemble源码解析

30，evaluate源码解析