MLPs में हाइपरपैरामीटर ट्यूनिंग

निम्न में से न्यूरल नेटवर्क्स के लिए हाइपरपैरामीटर ट्यूनिंग के बारे में कौन-सा कथन सही है?

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Machine Learning के साथ CTR प्रेडिक्शन

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

हमारे इंटरैक्टिव अभ्यासों में से किसी एक के साथ सिद्धांत को व्यवहार में बदलें

अभ्यास शुरू करें

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Machine Learning के साथ CTR प्रेडिक्शन

SkillTag.level.intermediateSkillTag.label

4.9+

19 reviews

पाठ्यक्रम मुफ्त में शुरू करें

संभावना है कि आप इस पेज पर किसी लिंक पर क्लिक करके आए हैं। इस अध्याय में, आप सीखेंगे कि click-through rates (CTR) टार्गेटेड विज्ञापन के लिए क्यों ज़रूरी हैं, बेसिक DataFrame मैनिपुलेशन कैसे करें, और CTR प्रेडिक्ट करने के लिए मशीन लर्निंग मॉडल का उपयोग कैसे किया जा सकता है।

Exercise 1: क्लिक-थ्रू रेट्स का परिचय Exercise 2: शुरुआती कदम Exercise 3: Feature exploration Exercise 4: डेटा का पहला मूल्यांकन Exercise 5: मशीन लर्निंग मॉडलों का ओवरव्यू Exercise 6: Breast cancer के लिए लॉजिस्टिक रिग्रेशन Exercise 7: इमेज के लिए Logistic Regression Exercise 8: दूसरा टॉय मॉडल Exercise 9: डिसीजन ट्री का उपयोग करके CTR प्रेडिक्शन Exercise 10: मॉडल इम्प्लीमेंटेशन Exercise 11: पहला CTR मॉडल Exercise 12: सिर्फ accuracy से आगे

यह अध्याय एक्सप्लोरेटरी डेटा एनालिसिस (EDA) की बुनियाद देता है। सैंपल डेटा के साथ आप pandas लाइब्रेरी का उपयोग करके कॉलम और डेटा टाइप्स देखेंगे, मिसिंग डेटा की जाँच करेंगे, और कैटेगोरिकल फीचर्स पर फीचर इंजीनियरिंग के लिए हैशिंग का उपयोग करेंगे। ये सभी अधिक सटीक CTR प्रेडिक्शन के लिए फीचर्स की जाँच करते समय महत्वपूर्ण होते हैं।

Exercise 1: Exploratory data analysis Exercise 2: पहली झलक Exercise 3: Missing values जाँचना Exercise 4: CTR के अनुसार वितरण Exercise 5: फीचर इंजीनियरिंग Exercise 6: Datetime कॉलम का विश्लेषण Exercise 7: Categorical वैरिएबल्स को कन्वर्ट करना Exercise 8: नए फीचर बनाना Exercise 9: फीचर्स को मानकीकृत करना Exercise 10: लॉग नॉर्मलाइज़ेशन Exercise 11: Standardization को समझना Exercise 12: स्टैंडर्ड स्केलिंग

अब गहराई में जाने का समय है। जानिए कि precision और recall जैसी मॉडल परफॉर्मेंस मेट्रिक्स का उपयोग करके आप वास्तविक व्यावसायिक सवालों के जवाब कैसे दे सकते हैं, जैसे कि विज्ञापन खर्च पर ROI का मूल्यांकन। आप यह भी सीखेंगे कि इन मूल्यांकन मेट्रिक्स को कैसे बेहतर किया जाए, जैसे एंसेंबल तरीकों और हाइपरपैरामीटर ट्यूनिंग के माध्यम से।

Exercise 1: मेट्रिक इवैल्यूएशन के अनुप्रयोग Exercise 2: परिणामों की चार श्रेणियाँ Exercise 3: चार श्रेणियों का मूल्यांकन Exercise 4: Ad spend पर ROI Exercise 5: मॉडल मूल्यांकन Exercise 6: Precision और Recall Exercise 7: बेसलाइन Exercise 8: क्लासिफ़ायर तुलना Exercise 9: मॉडल ट्यूनिंग Exercise 10: Regularization Exercise 11: Cross validation Exercise 12: Model selection Exercise 13: एन्सेम्बल्स और हाइपरपैरामीटर ट्यूनिंग Exercise 14: हाइपरपैरामीटर ट्यूनिंग को समझना Exercise 15: Random forests Exercise 16: Grid search

आपके कैंपेन के CTR का मुनाफ़े पर बड़ा असर पड़ सकता है। इस अध्याय में, आप सीखेंगे कि इस जोखिम को घटाने के लिए डीप लर्निंग कैसे इस्तेमाल की जा सकती है। आप multi-layer perceptron (MLP) और न्यूरल नेटवर्क मॉडलों पर फोकस करेंगे, और समझेंगे कि वैरिएबल्स के बीच जटिल संबंधों को कैप्चर करके CTR को अधिक सटीकता से कैसे प्रेडिक्ट किया जा सकता है। अंत में, आप क्लासिफिकेशन मॉडलों पर हाइपरपैरामीटर ट्यूनिंग और रेग्युलराइज़ेशन की बेसिक्स लागू करना भी सीखेंगे।

Exercise 1: डीप लर्निंग परिचय Exercise 2: MLP को समझना Exercise 3: शुरुआती मॉडल Exercise 4: CTR के लिए MLPs Exercise 5: डीप लर्निंग में हाइपरपैरामीटर ट्यूनिंग Exercise 6: MLPs में हाइपरपैरामीटर ट्यूनिंग

वर्तमान अभ्यास

Exercise 7: हाइपरपैरामीटर्स में बदलाव Exercise 8: MLP Grid Search Exercise 9: मॉडल मूल्यांकन Exercise 10: F-beta स्कोर Exercise 11: Low precision और उच्च AUC Exercise 12: Precision, ROI, और AUC Exercise 13: मॉडल समीक्षा और तुलना Exercise 14: मॉडल तुलना वार्मअप Exercise 15: प्रेसिजन और ROI का आकलन Exercise 16: कुल स्कोरिंग Exercise 17: समापन वीडियो