После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Вы когда-нибудь задумывались, как Facebook и Google умудряются показывать вам рекламу, на которую вы время от времени действительно нажимаете? За этим стоят сложные модели машинного обучения и обширные данные о пользователях, с помощью которых прогнозируется коэффициент кликабельности (CTR) для каждого, кто видит объявление. В этом курсе вы научитесь реализовывать базовые модели на Python и узнаете, как машинное обучение помогает оптимизировать рекламу. Работая с реальными рекламными данными, вы освоите конструирование признаков, построение моделей машинного обучения и их оценку в контексте прогнозирования CTR. По завершении курса вы будете уверенно применять машинное обучение для повышения эффективности рекламных кампаний.
Предварительные требования
Программа
План курса
1
Введение в CTR и базовые методы
Скорее всего, вы попали на эту страницу, перейдя по ссылке. В этой главе вы узнаете, почему коэффициент кликабельности (CTR) играет ключевую роль в таргетированной рекламе, научитесь выполнять базовые операции с DataFrame и познакомитесь с применением моделей машинного обучения для прогнозирования CTR.
- Введение в показатели кликабельности50 XP
- Первые шаги100 XP
- Исследование признаков100 XP
- Первичный анализ данных50 XP
- Обзор моделей машинного обучения50 XP
- Логистическая регрессия для диагностики рака молочной железы100 XP
- Логистическая регрессия для изображений100 XP
- Вторая учебная модель100 XP
- Прогнозирование CTR с помощью деревьев решений50 XP
- Реализация модели100 XP
- Первая модель предсказания CTR100 XP
- За пределами точности100 XP
2
Разведочный анализ данных CTR
Эта глава закладывает основы разведочного анализа данных (EDA). Работая с учебными данными, вы будете использовать библиотеку pandas для изучения столбцов и типов данных, анализа пропущенных значений, а также применять хеширование для конструирования признаков из категориальных переменных. Всё это важно при подготовке признаков для более точного прогнозирования CTR.
3
Применение моделей и их улучшение
Пора погрузиться глубже. Вы узнаете, как использовать метрики качества модели — точность и полноту — для решения практических задач, например оценки рентабельности рекламных расходов. Кроме того, вы освоите способы улучшения этих метрик: ансамблевые методы и подбор гиперпараметров.
4
Глубокое обучение
CTR рекламной кампании напрямую влияет на прибыль. В этой главе вы узнаете, как глубокое обучение помогает снизить сопутствующие риски. Основное внимание уделяется многослойному перцептрону (MLP) и нейронным сетям — вы увидите, как они улавливают сложные зависимости между переменными для более точного прогнозирования CTR. В завершение вы изучите основы подбора гиперпараметров и регуляризации применительно к задачам классификации.
Прогнозирование CTR с помощью машинного обучения на Python
Курс
завершён
