Implementace modelu

Postup implementace modelu je u většiny algoritmů strojového učení z knihovny sklearn velmi podobný. Proto se vyplatí tento postup dobře zažít – bude se ti hodit po celou dobu kurzu. V tomto cvičení správně seřaď jednotlivé kroky implementace modelu.

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

SkillTag.level.intermediateSkillTag.label

4.9+

Začněte kurz zdarma

Pravděpodobně jsi na tuto stránku přišel/a tak, že jsi klikl/a na odkaz. V této kapitole se dozvíš, proč jsou míry prokliku (CTR) klíčové pro cílené reklamy, jak provádět základní manipulaci s DataFramy a jak pomocí modelů Machine Learning předpovídat CTR.

Exercise 1: Úvod do míry prokliku Exercise 2: První kroky Exercise 3: Průzkum příznaků Exercise 4: První prozkoumání dat Exercise 5: Přehled modelů strojového učení Exercise 6: Logistická regrese pro rakovinu prsu Exercise 7: Logistická regrese pro obrázky Exercise 8: Druhý ukázkový model Exercise 9: Predikce CTR pomocí rozhodovacích stromů Exercise 10: Implementace modelu

Aktuální cvičení

Exercise 11: První model pro predikci CTR Exercise 12: Víc než jen přesnost

Tato kapitola ti dá pevné základy pro explorační analýzu dat (EDA). Na ukázkových datech využiješ knihovnu pandas k prozkoumání sloupců a datových typů, prověříš chybějící hodnoty a pomocí hashování provedeš přípravu příznaků z kategoriálních proměnných. To vše jsou důležité kroky při hledání příznaků pro přesnější předpovídání CTR.

Exercise 1: Exploratory analýza dat Exercise 2: První pohled na data Exercise 3: Kontrola chybějících hodnot Exercise 4: Distribuce podle CTR Exercise 5: Feature engineering Exercise 6: Analýza sloupců datetime Exercise 7: Převod kategorických proměnných Exercise 8: Vytváření nových příznaků Exercise 9: Standardizace příznaků Exercise 10: Logaritmická normalizace Exercise 11: Porozumění standardizaci Exercise 12: Standardní škálování

Čas jít více do hloubky. Zjistíš, jak pomocí metrik výkonnosti modelů — jako jsou přesnost a úplnost — odpovídat na praktické otázky, například jak vyhodnotit návratnost investic do reklamy. Naučíš se také způsoby, jak tyto metriky zlepšit, například pomocí metod souborového učení a ladění hyperparametrů.

Exercise 1: Aplikace vyhodnocovacích metrik Exercise 2: Čtyři kategorie výsledků Exercise 3: Vyhodnocení čtyř kategorií Exercise 4: ROI výdajů na reklamu Exercise 5: Vyhodnocení modelu Exercise 6: Přesnost a úplnost Exercise 7: Základní linie Exercise 8: Porovnání klasifikátorů Exercise 9: Ladění modelů Exercise 10: Regularizace Exercise 11: Křížová validace Exercise 12: Výběr modelu Exercise 13: Ensemble metody a ladění hyperparametrů Exercise 14: Jak funguje ladění hyperparametrů Exercise 15: Náhodné lesy Exercise 16: Grid search

CTR tvé kampaně může výrazně ovlivnit zisk. V této kapitole se dozvíš, jak hluboké učení pomáhá toto riziko snižovat. Zaměříš se na modely vícevrstvého perceptronu (MLP) a neuronových sítí a uvidíš, jak dokážou zachytit složité vztahy mezi proměnnými pro přesnější předpovídání CTR. Na závěr prozkoumáš, jak na klasifikační modely aplikovat základy ladění hyperparametrů a regularizace.

Exercise 1: Úvod do deep learningu Exercise 2: Porozumění MLP sítím Exercise 3: První model Exercise 4: MLP pro CTR Exercise 5: Hyperparameter tuning v deep learningu Exercise 6: Ladění hyperparametrů v MLP Exercise 7: Variace hyperparametrů Exercise 8: MLP Grid Search Exercise 9: Vyhodnocení modelu Exercise 10: F-beta skóre Exercise 11: Nízká přesnost a vysoké AUC Exercise 12: Přesnost, ROI a AUC Exercise 13: Přehled a srovnání modelů Exercise 14: Porovnání modelů – rozcvička Exercise 15: Vyhodnocení přesnosti a ROI Exercise 16: Celkové hodnocení Exercise 17: Závěrečné video