After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Czy zastanawiało cię kiedyś, jak firmy takie jak Facebook i Google potrafią wyświetlać ci tak trafnie dobrane reklamy, że czasem w nie klikasz? Za tym kryją się zaawansowane modele uczenia maszynowego i bogate dane o użytkownikach, które służą do przewidywania współczynnika klikalności (CTR) dla każdej osoby widzącej daną reklamę. Ten kurs pokaże ci, jak wdrożyć podstawowe modele w Pythonie i jak wykorzystać uczenie maszynowe do lepszej optymalizacji reklam. Na podstawie rzeczywistych danych reklamowych nauczysz się inżynierii cech, budowania modeli uczenia maszynowego oraz oceny tych modeli w kontekście przewidywania CTR. Po ukończeniu kursu będziesz mieć solidne podstawy do tego, by stosować uczenie maszynowe i zwiększać skuteczność reklam.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do CTR i podstawowych technik
Prawdopodobnie trafiłeś na tę stronę, klikając jakiś link. W tym rozdziale dowiesz się, dlaczego współczynniki klikalności (CTR) odgrywają kluczową rolę w reklamie ukierunkowanej, jak wykonywać podstawowe operacje na DataFrame oraz jak używać modeli uczenia maszynowego do przewidywania CTR.
- Wprowadzenie do współczynników klikalności50 XP
- Pierwsze kroki100 XP
- Eksploracja cech100 XP
- Pierwsze spojrzenie na dane50 XP
- Przegląd modeli uczenia maszynowego50 XP
- Regresja logistyczna do wykrywania raka piersi100 XP
- Regresja logistyczna dla obrazów100 XP
- Drugi model testowy100 XP
- Przewidywanie CTR za pomocą drzew decyzyjnych50 XP
- Implementacja modelu100 XP
- Pierwszy model CTR100 XP
- Poza samą dokładnością100 XP
2
Eksploracyjna analiza danych CTR
Ten rozdział stanowi podstawę eksploracyjnej analizy danych (EDA). Korzystając z przykładowych danych, użyjesz biblioteki pandas, aby przyjrzeć się kolumnom i typom danych, zbadać brakujące wartości oraz zastosować haszowanie do inżynierii cech kategorycznych. Wszystkie te umiejętności są niezbędne podczas eksploracji cech na potrzeby dokładniejszego przewidywania CTR.
3
Zastosowania modeli i ich ulepszanie
Czas zagłębić się w temat. Przekonasz się, jak miary wydajności modelu – takie jak precyzja i recall – pomagają odpowiadać na pytania z realnego świata, na przykład dotyczące zwrotu z inwestycji w reklamę. Nauczysz się też, jak poprawiać te miary ewaluacji, korzystając z metod zespołowych i strojenia hiperparametrów.
4
Uczenie głębokie
CTR kampanii może mieć duży wpływ na zyski. W tym rozdziale dowiesz się, jak uczenie głębokie pomaga ograniczyć to ryzyko. Skupisz się na modelu wielowarstwowego perceptronu (MLP) i sieciach neuronowych, a także poznasz, jak wykorzystać je do uchwycenia złożonych zależności między zmiennymi w celu dokładniejszego przewidywania CTR. Na koniec zapoznasz się z podstawami strojenia hiperparametrów i regularyzacji w modelach klasyfikacyjnych.
Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Kurs
ukończony
