这里是🐰收集的后端资源整理和后端开发感悟。

这一章主要介绍迁移学习，Transfer Learning

这一章主要介绍深度神经网络架构

这一章主要介绍网络架构搜索，也就是我们反复提到的NAS

这一章主要介绍超参数优化，HPO algorithms

这一章主要介绍模型调参，model tuning

这一章主要介绍Stacking，刷榜利器！和Bagging有点像，组合多个base learner。不同点在于，Bagging是在不同的采样数据上，训练同一个模型。Stacking是在同样的数据上，训练不一样的模型。

这一章主要介绍Boosting，也是另外一种模型组合方案。本质就是一种训练多个弱模型，组合成强模型。主要目的是通过多个模型的决策结果来减少偏差。弱模型 -> 强模型。

这一章主要介绍Bagging和相关的知识，本质就是一种训练多个模型，然后去做决策和平均的策略和算法。主要目的是通过多个模型的决策结果来减少方差。不稳定模型 -> 稳定模型。