集成学习（Ensemble Learning）是一种机器学习方法，通过将多个学习器（也称为基分类器或弱分类器）组合在一起，以达到更好的预测性能。集成学习通过结合多个学习器的预测结果，可以降低单个学习器的偏差、方差或提高泛化能力，从而提高整体的预测准确性和鲁棒性。集成学习的基本思想是“三个臭皮匠，顶个诸葛亮”，即通过组合多个弱分类器来形成一个强分类器。这种思想来源于统计学中的“多数表决原则”，即通过

聚类是一种无监督学习方法，用于将数据集中的样本划分为具有相似特征的组或簇。聚类的目标是在不事先知道样本的类别标签的情况下，通过发现数据内在的结构和模式，将相似的样本归为一类，并将不相似的样本彼此分开。聚类算法的工作原理通常是基于样本之间的相似性度量或距离度量。常见的聚类算法包括K均值聚类、层次聚类、DBSCAN、高斯混合模型等。自此，可总结出 K-Means 算法的步骤：① 随机选择 k 个样本作

记录本人的机器学习历程。

目录1 命名实体识别任务介绍2 基于Transfromers的解决方案2.1 模型结构：2.2 评估函数：3 代码实战演练1）导包：2）加载数据集3）数据预处理4）创建模型5）常见评估函数6）配置训练参数 7）创建训练器 8）模型训练 9）模型预测4 NER实战过程中需要注意的7点： 使用不同的model head用于解决不同的任务，如果说我们需要对每一个词（token）去做一个标签预测的话，这个

优点：Transformer是一种强大的模型，已在多个NLP任务中取得了成功。相比传统的循环神经网络（RNN）和卷积神经网络（CNN），Transformer在处理长序列和捕捉长距离依赖关系方面表现出色。Transformer的并行化能力很强。由于没有序列依赖性，Transformer可以同时处理输入序列中的所有位置，因此可以在多个GPU上并行计算，加速训练过程。Transformer通过引入自注

大模型就是在做迁移学习的这样一种事情：先在大规模无标注数据集中进行无监督学习训练，然后引入具体的样本（标注数据）进行参数微调，得到一个能在具体任务上表现极佳的模型。把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。

链接: https://pan.baidu.com/s/1ZboqS6D5Rc705piL0ANXog?

它的目标是要通过与环境（Environment）交互，根据环境的反馈（Reward），优化自己的策略（Policy），再根据策略行动（Action），以获得更多更好的反馈奖励（Reward）。大语言模型也不属于生成式AI，比如谷歌的BERT，不擅长长文本生成工作。有能力学习输入序列中的所有词的相关性和上下文，不会收到短时记忆的影响；并非所有的生成式AI都属于大语言模型，如图像的扩散模型，并不输出文