Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
¿Alguna vez te has preguntado cómo empresas como Facebook y Google consiguen mostrarte anuncios tan bien segmentados que a veces haces clic? Detrás hay modelos de machine learning muy sofisticados que usan datos ricos de usuarios para predecir el click-through rate (CTR) de cada persona que ve esos anuncios. En este curso aprenderás a implementar modelos básicos en Python para que veas cómo optimizar mejor los anuncios con machine learning. Con datos reales de publicidad, aprenderás a crear variables (feature engineering), a construir modelos de machine learning con esas variables y a evaluar tus modelos en el contexto de la predicción de CTR. Al final del curso, tendrás una base sólida para aplicar machine learning y hacer que tus anuncios sean más efectivos.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción al CTR y técnicas básicas
Probablemente has llegado aquí porque hiciste clic en un enlace. En este capítulo, verás por qué las tasas de clics (CTR) son clave en la publicidad segmentada, cómo realizar manipulaciones básicas de DataFrame y cómo usar modelos de machine learning para predecir el CTR.
- Introducción a las tasas de clics (CTR)50 XP
- Primeros pasos100 XP
- Exploración de características100 XP
- Primera evaluación de los datos50 XP
- Resumen de modelos de Machine Learning50 XP
- Regresión logística para cáncer de mama100 XP
- Regresión logística para imágenes100 XP
- Un segundo modelo de juguete100 XP
- Predicción de CTR con árboles de decisión50 XP
- Implementación del modelo100 XP
- Tu primer modelo de CTR100 XP
- Más allá de la precisión100 XP
2
Análisis exploratorio de datos de CTR
Este capítulo sienta las bases del análisis exploratorio de datos (EDA). Con datos de ejemplo, usarás la biblioteca pandas para revisar columnas y tipos de datos, explorar valores ausentes y aplicar hashing para hacer feature engineering en variables categóricas. Todo ello es esencial al explorar variables para predecir el CTR con mayor precisión.
3
Aplicaciones y mejoras del modelo
Toca profundizar. Descubre cómo usar métricas de rendimiento del modelo, como precisión (precision) y exhaustividad (recall), para responder preguntas reales, por ejemplo, evaluar el ROI del gasto en anuncios. También aprenderás formas de mejorar esas métricas de evaluación, como métodos de ensamblado (ensembles) y el ajuste de hiperparámetros.
4
Deep Learning
Los beneficios pueden verse muy afectados por el CTR de tu campaña. En este capítulo, aprenderás cómo el deep learning puede ayudar a reducir ese riesgo. Te centrarás en perceptrones multicapa (MLP) y redes neuronales, y verás cómo capturan relaciones complejas entre variables para predecir el CTR con más precisión. Por último, explorarás cómo aplicar los fundamentos del ajuste de hiperparámetros y la regularización a modelos de clasificación.
Predicción del CTR con Machine Learning en Python
Curso
completado
