Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Hast du dich schon mal gefragt, wie Unternehmen wie Facebook und Google dir so gezielt Werbung anzeigen, auf die du gelegentlich klickst? Hinter den Kulissen laufen dafür ausgefeilte Machine-Learning-Modelle, die mithilfe umfangreicher Nutzerdaten die Click-through-Rate (CTR) für jede Person vorhersagen, die diese Anzeigen sieht. In diesem Kurs lernst du, wie du grundlegende Modelle in Python implementierst, um Anzeigen mit Machine Learning besser zu optimieren. Anhand realer Anzeigendaten lernst du, Features zu erstellen, Machine-Learning-Modelle auf Basis dieser Features zu bauen und deine Modelle im Kontext der CTR-Vorhersage zu evaluieren. Am Ende des Kurses weißt du genau, wie du Machine Learning einsetzen kannst, um deine Anzeigen wirksamer zu machen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in CTR und grundlegende Techniken
Wahrscheinlich bist du auf dieser Seite gelandet, weil du auf einen Link geklickt hast. In diesem Kapitel erfährst du, warum Click-through-Rates (CTR) für zielgerichtete Werbung entscheidend sind, wie du grundlegende DataFrame-Operationen durchführst und wie du Machine-Learning-Modelle zur Vorhersage der CTR einsetzt.
- Einführung in Click-through-Rates50 XP
- Erste Schritte100 XP
- Feature-Exploration100 XP
- Erste Auswertung der Daten50 XP
- Überblick über Machine-Learning-Modelle50 XP
- Logistische Regression für Brustkrebs100 XP
- Logistische Regression für Bilder100 XP
- Ein zweites Spielzeugmodell100 XP
- CTR-Vorhersage mit Entscheidungsbäumen50 XP
- Modellimplementierung100 XP
- Ein erstes CTR-Modell100 XP
- Mehr als nur Accuracy100 XP
2
Explorative CTR-Datenanalyse
Dieses Kapitel legt die Grundlagen für die explorative Datenanalyse (EDA). Mit Beispieldaten nutzt du die pandas-Bibliothek, um Spalten und Datentypen zu betrachten, fehlende Werte zu untersuchen und mithilfe von Hashing Feature Engineering für kategoriale Features durchzuführen. All das ist wichtig, um Features zu erkunden, die zu einer genaueren CTR-Vorhersage führen.
3
Modellanwendungen und Verbesserungen
Jetzt geht es in die Tiefe. Finde heraus, wie du mit Metriken zur Modellleistung wie Precision und Recall reale Fragen beantwortest, zum Beispiel die Bewertung des ROI von Werbeausgaben. Außerdem lernst du Methoden kennen, um diese Kennzahlen zu verbessern, etwa Ensemble-Verfahren und Hyperparameter-Tuning.
4
Deep Learning
Dein Gewinn kann stark von der CTR deiner Kampagne abhängen. In diesem Kapitel lernst du, wie Deep Learning dieses Risiko reduzieren kann. Du konzentrierst dich auf Multi-Layer Perceptron (MLP) und neuronale Netze und erfährst, wie diese die komplexen Beziehungen zwischen Variablen erfassen, um die CTR genauer vorherzusagen. Zum Schluss lernst du, wie du grundlegendes Hyperparameter-Tuning und Regularisierung auf Klassifikationsmodelle anwendest.
CTR-Vorhersage mit Machine Learning in Python
Kurs
abgeschlossen
