创建张量、转换、张量索引、形状、升降维、交换维度、拼接

数据结构：是储存和组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合。算法：用来实现业务目标的方法和思路。二者的关系：数据结构 + 算法 = 程序，算法是为了解决实际问题而设计的，数据结构是算法需要处理问题的载体。

神经网络是深度学习计算模型，仿生生物学神经元构造。

有特征有标签（结果驱动），出现两大问题是：分类任务（标签是离散的，函数输出有限个离散值）和回归任务（标签是连续的，函数输出连续的值）有特征无标签（数据驱动），出现问题：聚类任务，降维任务，异常检测任务…2.基于模型的学习：通过编写机器学习算法，让加器自己学习从数据中获得的规律（模型），然后进行预测。数据集划分：训练集（训练模型）和测试集（测试模型），一般对应占比8：2或者7：3。奥卡姆剃刀原则：给

根据样本之间的相似性，将样本划分到不同的类别中的一种无监督学习算法。细节：根据样本之间的相似性，将样本划分到不同的类别中；不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。聚类算法的目的是在没有先验知识的情况下，自动发现数据集中的内在结构和模式。计算样本和样本之间的相似性，一般使用欧式距离。

集成学习:(Ensemble Learning)是一种机器学习范式，它通过构建并结合多个模型来完成学习任务,获得更好的泛化性能。核心思想：通过组合多个弱学习器来构建一个强学习器。bagging思想：有放回的抽样；平权投票，多数表决方式决定预测结果；并行训练。boosting思想：全部样本（重点关注上一训练器不足的地方训练）；加权投票的方式；串行训练。

BERT(Bidirectional Encoder Representations from Transformers)是由Google研究团队在2018年提出的一种基于Transformer架构的预训练语言模型，其全称为"来自Transformer的双向编码器表示"。这一革命性模型的问世，标志着自然语言处理(NLP)领域进入了一个全新的时代，极大地推动了语言理解技术的发展。在BERT出现之前，

(英文：Large Language Model，缩写LLM)大型语言模型是一种基于深度学习的人工智能系统，通过分析海量文本数据学习语言模式、世界知识和推理能力。这些模型通常包含数十亿甚至数千亿个参数，能够生成类似人类的文本、回答问题、翻译语言以及执行各种与语言相关的任务。