第18章：BERT CommonLit Readability Prize比赛中的高分思路及源码解析
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，Stochstic 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，Knowlede distillation soft label
21，用于分类的network distillation：embe
