After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Ви коли-небудь замислювалися, як компанії на кшталт Facebook і Google показують вам настільки влучні оголошення, на які ви інколи натискаєте? За лаштунками вони запускають складні моделі машинного навчання та використовують багаті користувацькі дані, щоб передбачити показник клікабельності (CTR) для кожного користувача, який бачить ці оголошення. У цьому курсі ви навчитеся реалізовувати базові моделі в Python, щоб зрозуміти, як краще оптимізувати рекламу за допомогою машинного навчання. Використовуючи реальні рекламні дані, ви опanuєте інженерію ознак, побудову моделей машинного навчання на їх основі та оцінювання моделей у контексті прогнозування CTR. Наприкінці курсу ви добре зрозумієте, як застосовувати машинне навчання, щоб зробити вашу рекламу ефективнішою.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до CTR та базових методів
Швидше за все, ви опинилися тут, натиснувши посилання. У цьому розділі ви дізнаєтеся, чому показник клікабельності (CTR) є ключовим для таргетованої реклами, як виконувати базові операції з датафреймами та як використовувати моделі машинного навчання для прогнозування CTR.
- Вступ до click-through rate (CTR)50 XP
- Перші кроки100 XP
- Дослідження ознак100 XP
- Перша оцінка даних50 XP
- Огляд моделей машинного навчання50 XP
- Логістична регресія для раку молочної залози100 XP
- Логістична регресія для зображень100 XP
- Другa навчальна модель100 XP
- Прогнозування CTR за допомогою дерев рішень50 XP
- Реалізація моделі100 XP
- Перша модель для CTR100 XP
- Поза межами простої точності100 XP
2
Розвідувальний аналіз даних CTR
Цей розділ дає основу для розвідувального аналізу даних (EDA). На зразкових даних ви скористаєтеся бібліотекою pandas, щоб переглядати стовпці та типи даних, досліджувати пропуски, а також застосовувати хешування для інженерії ознак на категоріальних змінних. Усе це важливо під час вивчення ознак для точнішого прогнозування CTR.
3
Застосування моделей і їх удосконалення
Час зануритися глибше. Дізнайтеся, як використовувати показники якості моделей, зокрема precision і recall, щоб відповідати на прикладні запитання, наприклад оцінювання окупності рекламних витрат (ROI). Ви також вивчите способи покращити ці метрики оцінювання, зокрема ансамблеві методи та налаштування гіперпараметрів.
4
Глибоке навчання
Прибутки можуть суттєво залежати від CTR вашої кампанії. У цьому розділі ви дізнаєтеся, як глибоке навчання допомагає зменшити цей ризик. Ви зосередитеся на багатошаровому перцептроні (MLP) та моделях нейронних мереж і навчитеся, як вони відображають складні взаємозв'язки між змінними для точнішого прогнозування CTR. Наприкінці ви розглянете, як застосовувати базові підходи до налаштування гіперпараметрів і регуляризації в задачах класифікації.
Прогнозування CTR за допомогою машинного навчання в Python
Курс
завершено
