Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Vous vous êtes déjà demandé comment des entreprises comme Facebook et Google parviennent à vous proposer des publicités si ciblées, sur lesquelles vous cliquez parfois ? En coulisses, elles utilisent des modèles de Machine Learning avancés et des données utilisateurs riches pour prédire le taux de clics (CTR) pour chaque personne qui voit ces annonces. Ce cours vous apprendra à implémenter des modèles de base en Python afin de mieux optimiser les publicités grâce au Machine Learning. À partir de données publicitaires réelles, vous apprendrez à créer des variables (features), à construire des modèles de Machine Learning avec ces features et à évaluer vos modèles dans le contexte de la prédiction de CTR. À la fin du cours, vous comprendrez clairement comment appliquer le Machine Learning pour rendre vos publicités plus efficaces.
Prérequis
Programme de formation
Plan du cours
1
Introduction au CTR et techniques de base
Il y a de fortes chances que vous soyez sur cette page parce que vous avez cliqué sur un lien. Dans ce chapitre, vous découvrirez pourquoi les taux de clics (CTR) sont essentiels à la publicité ciblée, comment effectuer des manipulations basiques de DataFrame, et comment utiliser des modèles de Machine Learning pour prédire le CTR.
- Introduction aux taux de clics50 XP
- Premiers pas100 XP
- Exploration des variables100 XP
- Première évaluation des données50 XP
- Aperçu des modèles de Machine Learning50 XP
- Régression logistique pour le cancer du sein100 XP
- Régression logistique pour des images100 XP
- Un deuxième modèle jouet100 XP
- Prédire le CTR avec des arbres de décision50 XP
- Mise en œuvre du modèle100 XP
- Un premier modèle de CTR100 XP
- Au-delà de la simple exactitude100 XP
2
Analyse exploratoire des données de CTR
Ce chapitre pose les bases de l’analyse exploratoire des données (EDA). À l’aide d’un jeu de données d’exemple, vous utiliserez la bibliothèque pandas pour examiner les colonnes et les types, explorer les données manquantes et utiliser le hashing pour réaliser de l’ingénierie de features à partir de variables catégorielles. Autant d’étapes clés pour analyser les features et améliorer la précision des prédictions de CTR.
3
Applications et améliorations des modèles
Passons à la vitesse supérieure. Découvrez comment utiliser des mesures de performance des modèles, comme la précision et le rappel, pour répondre à des questions concrètes, par exemple évaluer le ROI des dépenses publicitaires. Vous verrez aussi comment améliorer ces métriques d’évaluation grâce aux méthodes d’ensemble et au réglage des hyperparamètres.
4
Deep Learning
La rentabilité de vos campagnes peut être fortement impactée par leur CTR. Dans ce chapitre, vous apprendrez comment le Deep Learning peut aider à réduire ce risque. Vous vous concentrerez sur les perceptrons multicouches (MLP) et les réseaux de neurones, et verrez comment ils permettent de capturer des relations complexes entre variables pour prédire le CTR avec plus de précision. Enfin, vous apprendrez à appliquer les bases du réglage des hyperparamètres et de la régularisation aux modèles de classification.
Prédire le CTR avec le Machine Learning en Python
Cours
terminé
