Build your ultimate AI agent
Kursbeskrivning
Har du någonsin undrat hur företag som Facebook och Google lyckas visa dig förvånansvärt träffsäkra annonser som du ibland faktiskt klickar på? Bakom kulisserna kör de avancerade maskininlärningsmodeller och använder omfattande användardata för att förutsäga klickfrekvensen (CTR) för varje användare som ser annonserna. Den här kursen lär dig att implementera grundläggande modeller i Python, så att du kan se hur maskininlärning kan användas för att optimera annonser. Med hjälp av verklig annonsdata lär du dig att konstruera särdrag, bygga maskininlärningsmodeller och utvärdera dina modeller i kontexten av CTR-förutsägelse. När kursen är klar har du en gedigen förståelse för hur du kan tillämpa maskininlärning för att göra dina annonser mer effektiva.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till CTR och grundläggande tekniker
Du är förmodligen på den här sidan för att du klickade på en länk. I det här kapitlet lär du dig varför klickfrekvens (CTR) är central för riktad annonsering, hur du utför grundläggande DataFrame-manipulering och hur du kan använda maskininlärningsmodeller för att förutsäga CTR.
- Introduktion till klickfrekvenser50 XP
- Första stegen100 XP
- Utforskning av särdrag100 XP
- Första utvärdering av data50 XP
- Översikt över maskininlärningsmodeller50 XP
- Logistisk regression för bröstcancer100 XP
- Logistisk regression för bilder100 XP
- En andra leksaksmodell100 XP
- CTR-prediktion med beslutsträd50 XP
- Implementering av modell100 XP
- En första CTR-modell100 XP
- Bortom enbart noggrannhet100 XP
2
Explorativ analys av CTR-data
Det här kapitlet ger en grund för explorativ dataanalys (EDA). Med hjälp av exempeldata använder du pandas-biblioteket för att granska kolumner och datatyper, utforska saknade värden och använda hashning för särdragskonstruktion av kategoriska särdrag. Allt detta är viktigt när du utforskar särdrag för en mer träffsäker CTR-förutsägelse.
3
Modelltillämpningar och förbättringar
Nu är det dags att gå djupare. Lär dig hur du kan använda modellprestandamått som precision och recall för att besvara verkliga frågor, till exempel för att utvärdera avkastning på annonsutgifter. Du lär dig också hur du kan förbättra dessa utvärderingsmått med hjälp av ensemblemetoder och hyperparameterjustering.
4
Djupinlärning
Din kampanjs CTR kan ha stor påverkan på vinsten. I det här kapitlet lär du dig hur djupinlärning kan användas för att minska den risken. Du fokuserar på flerlagers perceptron (MLP) och neurala nätverksmodeller, och lär dig hur dessa kan fånga komplexa samband mellan variabler för att förutsäga CTR mer träffsäkert. Avslutningsvis utforskar du hur du tillämpar grunderna i hyperparameterjustering och regularisering på klassificeringsmodeller.
Förutsäga CTR med maskininlärning i Python
Kurs
slutförd
