Dans ce module, les apprenants exploreront les algorithmes de regroupement, qui sont des techniques permettant de regrouper des modèles afin d'obtenir des prédictions plus précises. Les apprenants commenceront par apprendre les bases du Bagging et pourquoi il est meilleur. Ils découvriront comment ces algorithmes fonctionnent et pourquoi le bootstrapping est une idée puissante. Ensuite, ils plongeront plus profondément dans les types d'algorithmes de bagging. Ils exploreront les forêts aléatoires, les arbres supplémentaires et la façon d'utiliser le bagging avec les classificateurs.

Dans ce module, les apprenants saisiront l'essence des techniques de boosting et leur impact transformateur sur la précision des modèles. L'accent est ensuite mis sur AdaBoost, avec une exploration de son algorithme sous-jacent et du rôle central qu'il joue dans l'approche itérative du boosting. Ensuite, ils apprendront à connaître les machines de boosting de gradient (GBM). La dernière leçon présente les variantes avancées de l'algorithme de boosting : XGBoost, LightGBM et CatBoost.

Ce module, consacré à la "Combinaison de modèles", offre aux apprenants une exploration concise mais perspicace du domaine de l'exploitation de plusieurs modèles pour une performance supérieure. Les apprenants découvriront pourquoi la combinaison de modèles est une bonne idée. Ils approfondiront les concepts fondamentaux d'empilement, de mélange et d'agrégation.

Dans ce module, les apprenants vont se plonger dans l'important processus de sélection du bon modèle d'apprentissage automatique pour le travail. Le module commence par montrer pourquoi le choix du bon modèle est important. Les apprenants découvriront les facteurs à prendre en compte lors du choix du modèle. Ils recevront un guide pratique qui les aidera à sélectionner le bon modèle. Ils apprendront les éléments essentiels à prendre en compte lors de la sélection d'un modèle, y compris les mesures de performance.