在本模块中，学习者将探索 Bagging 算法，这是一种将模型分组以获得更准确预测的技术。学习者将从学习 Bagging 的基础知识开始，了解为什么 Bagging 更好。他们将发现这些算法是如何工作的，以及为什么引导是一个强大的想法。接下来，他们将深入了解 Bagging 算法的类型。他们将探索随机森林、额外树以及如何在分类器中使用 Bagging。

在本模块中，学习者将掌握提升技术的精髓及其对模型准确性的变革性影响。然后，重点将转移到 AdaBoost，探索其底层算法以及它在提升迭代方法中发挥的关键作用。然后，他们将学习梯度提升机（GBM）。最后一课将向学习者介绍高级提升算法变体：XGBoost、LightGBM 和 CatBoost。

本模块引导学习者完善模型，以提高性能和精度。他们将探索超参数调整和特征工程在模型改进中的关键作用。他们将深入了解日期时间特征的重要性，以及利用文本数据改进预测的技术。此外，他们还将探索通过精心选择特征来优化模型的策略。他们将掌握利用网格搜索和随机搜索等技术找到最佳参数配置的艺术。

本模块以 "组合模型 "为主题，为学习者提供了一个简明而深刻的探索，让他们了解如何利用多种模型来实现卓越的性能。学员将探索为什么混合模型是一个好主意。他们将深入了解堆叠、混合和聚合的基本概念。

在本模块中，学习者将深入了解挑选合适的机器学习模型的重要过程。本模块首先说明为什么选择正确的模型很重要。学习者将了解在选择模型时需要考虑的因素。他们将获得一份方便的指南，帮助他们选择正确的模型。他们将了解在选择机型时需要注意的基本事项，包括性能指标。