Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Heb je je ooit afgevraagd hoe bedrijven zoals Facebook en Google je zulke doelgerichte advertenties kunnen laten zien waar je soms op klikt? Achter de schermen draaien ze geavanceerde machine learning-modellen en gebruiken ze rijke gebruikersdata om de click-through rate (CTR) voor elke gebruiker die die advertenties ziet te voorspellen. In deze cursus leer je hoe je basismodellen in Python implementeert, zodat je ziet hoe je advertenties beter kunt optimaliseren met machine learning. Met echte advertentiedata leer je features te engineeren, machine learning-modellen te bouwen met die features en je modellen te evalueren in de context van CTR-voorspelling. Aan het einde van deze cursus begrijp je goed hoe je machine learning kunt toepassen om je advertenties effectiever te maken.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot CTR en basistechnieken
De kans is groot dat je op deze pagina bent omdat je op een link hebt geklikt. In dit hoofdstuk leer je waarom click-through rates (CTR) essentieel zijn voor gerichte advertenties, hoe je basisbewerkingen op DataFrames uitvoert en hoe je machine learning-modellen kunt gebruiken om CTR te voorspellen.
- Introductie tot click-through rates50 XP
- Eerste stappen100 XP
- Verkenning van features100 XP
- Eerste evaluatie van de data50 XP
- Overzicht van machine learning-modellen50 XP
- Logistische regressie voor borstkanker100 XP
- Logistische regressie voor afbeeldingen100 XP
- Een tweede speelgoedmodel100 XP
- CTR-voorspelling met beslissingsbomen50 XP
- Modelimplementatie100 XP
- Een eerste CTR-model100 XP
- Verder kijken dan alleen accuracy100 XP
2
Exploratieve CTR-gegevensanalyse
Dit hoofdstuk legt de basis voor exploratieve data-analyse (EDA). Met voorbeelddata gebruik je de pandas-bibliotheek om naar kolommen en datatypen te kijken, missende waarden te verkennen en hashing te gebruiken om feature engineering uit te voeren op categorische features. Dit alles is belangrijk bij het verkennen van features voor nauwkeurigere CTR-voorspelling.
3
Modeltoepassingen en verbeteringen
Tijd om de diepte in te gaan. Ontdek hoe je maatstaven voor modelprestaties, zoals precision en recall, kunt gebruiken om praktijkvragen te beantwoorden, zoals het evalueren van de ROI op advertentie-uitgaven. Je leert ook manieren om die evaluatiemetrics te verbeteren, zoals ensemblemethoden en hyperparametertuning.
4
Deep Learning
Je campagne-CTR kan de winst sterk beïnvloeden. In dit hoofdstuk leer je hoe deep learning dat risico kan verkleinen. Je richt je op multi-layer perceptron (MLP) en neurale netwerkmodellen, en leert hoe je hiermee de complexe relatie tussen variabelen vastlegt om CTR nauwkeuriger te voorspellen. Tot slot verken je hoe je de basis van hyperparametertuning en regularisatie toepast op classificatiemodellen.
CTR voorspellen met Machine Learning in Python
Cursus
voltooid
