Build your ultimate AI agent
รายละเอียดคอร์ส
เคยสงสัยไหมว่าบริษัทอย่าง Facebook และ Google แสดงโฆษณาที่ตรงใจจนบางครั้งก็คลิกตามได้อย่างไร? เบื้องหลังนั้นคือโมเดล machine learning ที่ซับซ้อน ซึ่งใช้ข้อมูลผู้ใช้เชิงลึกเพื่อพยากรณ์อัตราการคลิกผ่าน (CTR) สำหรับผู้ใช้แต่ละคนที่เห็นโฆษณา คอร์สนี้จะสอนวิธีสร้างโมเดลพื้นฐานใน Python เพื่อให้เข้าใจว่า machine learning ช่วยเพิ่มประสิทธิภาพโฆษณาได้อย่างไร โดยใช้ข้อมูลโฆษณาจริง จะได้เรียนรู้การสร้าง feature การสร้างโมเดล machine learning และการประเมินโมเดลในบริบทของการพยากรณ์ CTR เมื่อจบคอร์สนี้ จะมีความเข้าใจที่แข็งแกร่งในการนำ machine learning ไปใช้เพื่อให้โฆษณาได้ผลลัพธ์ที่ดีขึ้น
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
ความรู้เบื้องต้นเกี่ยวกับ CTR และเทคนิคพื้นฐาน
ที่เข้ามาหน้านี้ได้ก็เพราะคลิกลิงก์มา นั่นแหละคือจุดเริ่มต้น ในบทนี้จะได้เรียนรู้ว่าอัตราการคลิกผ่าน (CTR) มีความสำคัญต่อการโฆษณาแบบเจาะกลุ่มอย่างไร วิธีจัดการ DataFrame เบื้องต้น และวิธีใช้โมเดล machine learning เพื่อพยากรณ์ CTR
- ความรู้เบื้องต้นเกี่ยวกับอัตราการคลิก50 XP
- ขั้นตอนเริ่มต้น100 XP
- การสำรวจฟีเจอร์100 XP
- การสำรวจข้อมูลเบื้องต้น50 XP
- ภาพรวมของโมเดล machine learning50 XP
- Logistic Regression สำหรับมะเร็งเต้านม100 XP
- Logistic Regression สำหรับรูปภาพ100 XP
- โมเดลทดลองที่สอง100 XP
- การพยากรณ์ CTR ด้วย Decision Tree50 XP
- การนำโมเดลไปใช้งาน100 XP
- โมเดล CTR แรก100 XP
- ไปให้ไกลกว่าแค่ความแม่นยำ100 XP
2
การวิเคราะห์ข้อมูล CTR เชิงสำรวจ
บทนี้วางรากฐานสำหรับการวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) โดยใช้ข้อมูลตัวอย่างและไลบรารี pandas เพื่อดูคอลัมน์และประเภทข้อมูล สำรวจข้อมูลที่หายไป และใช้การแฮชเพื่อทำ feature engineering กับ feature เชิงหมวดหมู่ ทั้งหมดนี้เป็นขั้นตอนสำคัญในการสำรวจ feature เพื่อพยากรณ์ CTR ได้แม่นยำยิ่งขึ้น
3
การประยุกต์ใช้โมเดลและการพัฒนา
ถึงเวลาลงลึกมากขึ้น บทนี้จะสอนวิธีใช้ตัววัดประสิทธิภาพโมเดล เช่น precision และ recall เพื่อตอบคำถามในโลกจริง อาทิ การประเมินผลตอบแทนจากการลงทุนในโฆษณา รวมถึงวิธีปรับปรุงตัวชี้วัดเหล่านั้น ด้วยเทคนิค ensemble methods และการปรับ hyperparameter
4
Deep Learning
CTR ของแคมเปญส่งผลโดยตรงต่อกำไร ในบทนี้จะได้เรียนรู้ว่า deep learning ช่วยลดความเสี่ยงนั้นได้อย่างไร โดยมุ่งเน้นที่โมเดล multi-layer perceptron (MLP) และ neural network และเรียนรู้ว่าโมเดลเหล่านี้สามารถจับความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรเพื่อพยากรณ์ CTR ได้แม่นยำขึ้นอย่างไร สุดท้ายจะได้สำรวจการปรับ hyperparameter และการทำ regularization สำหรับโมเดลจำแนกประเภท
การพยากรณ์ CTR ด้วย Machine Learning ใน Python
เรียนจบแล้ว
