Cette séance de cours couvre la théorie de l'ensachage, expliquant comment l'ensachage contribue toujours à améliorer les performances des modèles d'apprentissage automatique. Linstructeur discute des hypothèses derrière lensachage, la préparation de la théorie, laffirmation selon laquelle la sortie en sac a une erreur quadratique plus petite que les modèles individuels, et fournit un croquis de preuve. La séance de cours se termine par des notes sur le résultat de la théorie, soulignant l'importance des données non corrélées pour le gain de performance dans l'ensachage.