Build your ultimate AI agent
Description du cours
La dernière fois que vous étiez au supermarché, qu’y avait-il dans votre panier ? Y avait‑il un lien entre les produits achetés, comme des spaghetti et des tomates, ou du jambon et de l’ananas ? En ligne comme en magasin, les enseignes exploitent des informations issues de millions de paniers pour analyser les associations entre articles et extraire des insights à l’aide de règles d’association.Pour vous aider à quantifier le degré d’association entre les articles, vous utiliserez l’analyse de panier pour mettre au jour des liens invisibles et visualiser des règles pertinentes et informatives. Vous mettrez ensuite en pratique ce que vous avez appris sur un jeu de données de films, en prédisant quels films sont regardés ensemble afin de proposer des recommandations personnalisées aux utilisateurs.
Prérequis
Programme de formation
Plan du cours
1
Introduction à l’analyse de panier
Qu’y a‑t‑il dans votre panier ? Dans ce premier chapitre, vous allez découvrir comment l’analyse de panier (MBA) permet d’examiner des paniers et d’explorer des ensembles d’articles pour mieux comprendre vos clients et anticiper leurs besoins. Avec tidyverse et dplyr, vous verrez combien de paniers peuvent être créés à partir d’un ensemble d’articles donné, et vous comprendrez la puissance de l’analyse de panier pour les achats en ligne, en magasin, et même au‑delà du secteur de la distribution.
- Introduction à l’analyse des paniers d’achat50 XP
- Paniers et articles50 XP
- Panier unique100 XP
- Qu’y a-t-il dans le panier ?100 XP
- Combinaisons d’articles50 XP
- Nombre de paniers possibles100 XP
- Sous‑ensembles et sur‑ensembles50 XP
- Tracer le nombre de paniers possibles100 XP
- Qu’est-ce que l’analyse des paniers d’achats ?50 XP
- Deux paniers100 XP
- Paniers multiples100 XP
- Examiner des articles spécifiques100 XP
2
Mesures et techniques de l’analyse de panier
Dans ce chapitre, vous convertirez des jeux de données transactionnels en format panier, prêts pour l’analyse avec l’algorithme Apriori. Vous serez ensuite présenté aux trois principales mesures de l’analyse de panier : support, confiance et lift, avant de passer à la pratique avec Apriori pour extraire des règles d’un jeu de données transactionnel. Enfin, vous explorerez comment le package arules est utilisé pour l’analyse de panier afin de récupérer des règles et vous aider à identifier les plus informatives et pertinentes.
3
Visualisation dans l’analyse de panier
Place aux visuels. Dans ce chapitre, vous examinerez visuellement l’ensemble des règles que vous avez extraites auparavant. Les visualisations sont essentielles en analyse de panier, car vous traitez souvent de grands ensembles de règles. Vous utiliserez le package arulesViz pour créer des diagrammes en barres, des nuages de points et des graphes afin de visualiser vos ensembles de règles inférées. Vous transformerez ensuite ces graphiques en versions interactives, ce qui facilite l’exploration détaillée des règles d’association extraites.
4
Étude de cas : panier appliqué aux films
Cap sur le cinéma. Dans ce dernier chapitre, vous appliquerez l’ensemble de vos acquis sur un jeu de données de films. Grâce à l’analyse de panier, vous transformerez ce jeu de données en un système de recommandation de films, en exploitant les transactions pour comprendre et prédire ce que votre audience pourrait vouloir regarder ensuite.
R
Analyse de panier en R
Cours
terminé
