パーセプトロンは、あらゆる高度なニューラルネットワークの土台になります。多くの隠れ層やその他のハイパーパラメータを調整する前に、単一のパーセプトロンレベルでの処理の流れを理解することが重要です。この演習では、入力から出力層に至るまで、パーセプトロンレベルでの処理手順の順序を特定します。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
おそらく皆さんも、リンクをクリックしてこのページに来られたのではないでしょうか。この章では、クリック率（CTR）がターゲティング広告にとってなぜ重要なのか、基本的なDataFrame操作の方法、そして Machine Learning モデルでCTRを予測する手順を学びます。
この章では、探索的データ分析（EDA）の基礎を身につけます。サンプルデータを用いて、pandas ライブラリで列やデータ型を確認し、欠損データを調べ、カテゴリカル特徴量に対してハッシュ化を使った特徴量エンジニアリングを行います。これらはすべて、より正確なCTR予測に向けて特徴量を探索するうえで重要です。
ここから一歩踏み込みます。適合率（precision）や再現率（recall）などのモデル性能指標を使って、広告費のROI評価といった実務的な課題にどう答えるかを学びます。さらに、アンサンブル手法やハイパーパラメータチューニングなど、これらの評価指標を改善する方法も紹介します。
キャンペーンのCTRは利益に大きな影響を与えます。この章では、そのリスクを低減するために Deep Learning をどう活用できるかを学びます。多層パーセプトロン（MLP）やニューラルネットワークモデルに焦点を当て、変数間の複雑な関係を捉えてCTRをより高精度に予測する方法を見ていきます。最後に、分類モデルへのハイパーパラメータチューニングと正則化の基本的な適用方法を学びます。
現在の演習
