学完这些课程后，我对创建专业的可视化图表和仪表板充满信心
Shoebur Rahman采购专员，Giz Bangladesh
课程简介
Amazon 的商品推荐与 Netflix 的电影推荐有何共同之处？它们都依赖于购物篮分析，这是一种将海量的客户交易与观影数据转化为简明促销与推荐规则的强大方法。在本课程中，您将学习如何使用 Apriori 算法、标准与自定义度量、关联规则、聚合与剪枝，以及可视化来完成购物篮分析。随后，您将通过交互式练习巩固新技能，为一家小型杂货店、图书馆、电子书销售商、新奇礼品零售商和一家电影流媒体服务构建推荐。在此过程中，您将发掘隐藏洞见，改进对客户的推荐。
先修要求
课程体系
课程大纲
1
购物篮分析入门
在本章中，您将学习购物篮分析的基础：关联规则、度量指标与剪枝。随后，您将应用这些概念，帮助一家小型杂货店改进促销与商品陈列。
2
关联规则
关联规则告诉我们两个或多个商品存在关联。度量指标让我们能够量化这些关系的有用性。在本章中，您将应用 6 个度量来评估关联规则：支持度、置信度、提升度、确信度、杠杆率，以及 Zhang 指标。随后，您将使用关联规则与度量指标来协助一家图书馆与一家电子书销售商。
3
聚合与剪枝
购物篮分析的核心问题是如何将大量客户决策转化为少量有用的规则。这个过程通常从应用 Apriori 算法开始，并结合剪枝与聚合等策略。在本章中，您将学习如何使用这些方法，并最终在练习中应用它们，协助一家零售商选择线下门店布局并开展产品交叉促销。
4
规则可视化
在最后一章中，您将学习如何使用可视化来指导剪枝过程并汇总最终结果，这些结果通常是项集或规则。您将掌握三种最常用的可视化——热力图、散点图和平行坐标图——并将它们用于协助一家电影流媒体服务。
Python 中的购物篮分析
课程已完成
