Aplikace vyhodnocovacích metrik

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

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 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

Aktuální cvičení

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