Pular para o conteúdo principal

Curso

Prevendo CTR com Machine Learning em Python

IntermediárioNível de habilidade

Atualizado 04/2026

Aprenda a prever CTR de anúncios e implementar modelos básicos de aprendizado de máquina em Python para otimizar campanhas.

Iniciar curso gratuitamente

PythonMachine Learning

4 h

15 vídeos

57 Exercícios

4,700 XP

3,895

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

Descrição do curso

Você já se perguntou como empresas como Facebook e Google conseguem mostrar anúncios tão direcionados que às vezes você acaba clicando? Por trás disso, elas rodam modelos sofisticados de Machine Learning e usam dados ricos de usuários para prever a taxa de cliques (CTR) para cada pessoa que vê esses anúncios. Neste curso, você vai aprender a implementar modelos básicos em Python para entender como otimizar melhor seus anúncios com Machine Learning. Usando dados reais de anúncios, você vai aprender a criar features, construir modelos de Machine Learning com essas features e avaliar seus modelos no contexto de previsão de CTR. Ao final do curso, você terá uma compreensão sólida de como aplicar Machine Learning para tornar seus anúncios mais eficazes.

Pré-requisitos

Data Manipulation with pandas

1

Introdução ao CTR e Técnicas Básicas

Provavelmente você chegou até aqui porque clicou em um link. Neste capítulo, você vai entender por que as taxas de cliques (CTR) são essenciais para a publicidade direcionada, como fazer manipulações básicas de DataFrame, e como usar modelos de Machine Learning para prever CTR.

Introdução às taxas de cliques (CTR)

Primeiros passos

Exploração de features

Primeira avaliação dos dados

Visão geral dos modelos de Machine Learning

Regressão logística para câncer de mama

Regressão logística para imagens

Um segundo modelo simples

Previsão de CTR usando árvores de decisão

Implementação do modelo

Seu primeiro modelo de CTR

Além da acurácia

Iniciar capítulo

2

Análise Exploratória de Dados de CTR

Este capítulo apresenta as bases da análise exploratória de dados (EDA). Com dados de exemplo, você vai usar a biblioteca pandas para examinar colunas e tipos de dados, explorar dados ausentes e aplicar hashing para fazer engenharia de features em variáveis categóricas. Tudo isso é importante ao explorar features para previsões de CTR mais precisas.

Análise exploratória de dados

Um primeiro olhar

Verificando valores ausentes

Distribuições por CTR

Engenharia de atributos

Analisando colunas de datetime

Convertendo variáveis categóricas

Criando novas features

Padronizando recursos

Normalização logarítmica

Entendendo a padronização

Padronização (standard scaling)

Iniciar capítulo

3

Aplicações e Melhorias de Modelos

Hora de ir mais fundo. Veja como usar medidas de desempenho do modelo, incluindo precisão e recall, para responder a perguntas do mundo real, como avaliar o ROI do gasto com anúncios. Você também vai aprender formas de melhorar essas métricas de avaliação, como métodos de ensemble e ajuste de hiperparâmetros.

Aplicações da avaliação de métricas

Quatro categorias de resultados

Avaliando quatro categorias

ROI em gastos com anúncios

Avaliação de modelos

Precisão e revocação

Comparação de classificadores

Ajustando modelos

Regularização

Validação cruzada

Seleção de modelo

Ensembles e ajuste de hiperparâmetros

Entendendo o ajuste de hiperparâmetros

Random forests

Busca em grade

Iniciar capítulo

4

Deep Learning

Os lucros podem ser fortemente impactados pelo CTR da sua campanha. Neste capítulo, você vai aprender como deep learning pode ajudar a reduzir esse risco. O foco será em perceptron multicamadas (MLP) e redes neurais, e em como esses modelos capturam relações complexas entre variáveis para prever o CTR com mais precisão. Por fim, você vai explorar como aplicar noções básicas de ajuste de hiperparâmetros e regularização em modelos de classificação.

Introdução ao deep learning

Entendendo MLPs

Modelo inicial

MLPs para CTR

Ajuste de hiperparâmetros em deep learning

Ajuste de hiperparâmetros em MLPs

Variando hiperparâmetros

Busca em grade para MLP

Avaliação do modelo

Pontuação F-beta

Baixa precisão e AUC alta

Precisão, ROI e AUC

Revisão e comparação de modelos

Aquecimento: comparação de modelos

Avaliando precisão e ROI

Pontuação total

Vídeo de encerramento

Iniciar capítulo

Prevendo CTR com Machine Learning em Python

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Prevendo CTR com Machine Learning em Python hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.