Hiểu về MLP

Perceptron là nền tảng của mọi mạng nơ-ron phức tạp. Trước khi làm việc với nhiều tầng ẩn và tinh chỉnh các siêu tham số khác, bạn cần nắm rõ quy trình ở mức một perceptron đơn lẻ. Trong bài tập này, bạn sẽ xác định thứ tự các bước ở mức perceptron từ đầu vào đến tầng đầu ra.

Bài tập này là một phần của khóa học

Dự đoán CTR với Machine Learning trong Python

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Dự đoán CTR với Machine Learning trong Python

SkillTag.level.intermediateSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Rất có thể bạn ở đây vì đã bấm vào một liên kết. Trong chương này, bạn sẽ tìm hiểu vì sao tỷ lệ nhấp (CTR) là trọng tâm của quảng cáo nhắm mục tiêu, cách thao tác cơ bản với DataFrame, và cách dùng các mô hình machine learning để dự đoán CTR.

Exercise 1: Giới thiệu về tỷ lệ nhấp (CTR)Exercise 2: Bắt đầu những bước đầu tiên Exercise 3: Khám phá đặc trưng Exercise 4: Đánh giá sơ bộ dữ liệu Exercise 5: Tổng quan về các mô hình Machine Learning Exercise 6: Hồi quy logistic cho ung thư vú Exercise 7: Hồi quy logistic cho ảnh Exercise 8: Một mô hình thử nghiệm thứ hai Exercise 9: Dự đoán CTR bằng cây quyết định Exercise 10: Triển khai mô hình Exercise 11: Mô hình CTR đầu tiên Exercise 12: Vượt ra ngoài mỗi độ chính xác

Chương này cung cấp nền tảng cho phân tích dữ liệu khám phá (EDA). Với dữ liệu mẫu, bạn sẽ dùng thư viện pandas để xem các cột và kiểu dữ liệu, khám phá dữ liệu thiếu, và dùng hashing để kỹ thuật hóa đặc trưng trên các đặc trưng phân loại. Tất cả đều quan trọng khi khám phá đặc trưng nhằm dự đoán CTR chính xác hơn.

Exercise 1: Phân tích dữ liệu khám phá Exercise 2: Nhìn sơ bộ Exercise 3: Kiểm tra giá trị thiếu Exercise 4: Phân phối theo CTR Exercise 5: Kỹ thuật đặc trưng Exercise 6: Phân tích các cột datetime Exercise 7: Chuyển đổi biến phân loại Exercise 8: Tạo đặc trưng mới Exercise 9: Chuẩn hóa đặc trưng Exercise 10: Chuẩn hóa log Exercise 11: Hiểu về chuẩn hóa Exercise 12: Chuẩn hóa chuẩn (Standard scaling)

Đến lúc đi sâu hơn. Tìm hiểu cách dùng các thước đo hiệu năng mô hình như precision và recall để trả lời các câu hỏi thực tế, ví dụ đánh giá ROI cho chi tiêu quảng cáo. Bạn cũng sẽ học các cách cải thiện những chỉ số đó, như phương pháp ensemble và tinh chỉnh siêu tham số.

Exercise 1: Ứng dụng của đánh giá chỉ số Exercise 2: Bốn nhóm kết quả Exercise 3: Đánh giá bốn loại kết quả Exercise 4: ROI cho chi tiêu quảng cáo Exercise 5: Đánh giá mô hình Exercise 6: Precision và recall Exercise 7: Đường cơ sở (Baseline)Exercise 8: So sánh các bộ phân loại Exercise 9: Tinh chỉnh mô hình Exercise 10: Regularization Exercise 11: Cross validation Exercise 12: Chọn mô hình Exercise 13: Ensemble và tinh chỉnh siêu tham số Exercise 14: Hiểu về tinh chỉnh hyperparameter Exercise 15: Random forests Exercise 16: Grid search

Lợi nhuận có thể chịu tác động lớn từ CTR của chiến dịch. Trong chương này, bạn sẽ học cách dùng deep learning để giảm rủi ro đó. Trọng tâm là mô hình multi-layer perceptron (MLP) và mạng nơ-ron, và cách chúng nắm bắt các mối quan hệ phức tạp giữa biến để dự đoán CTR chính xác hơn. Cuối cùng, bạn sẽ khám phá cách áp dụng các nguyên tắc cơ bản về tinh chỉnh siêu tham số và regularization cho mô hình phân loại.

Exercise 1: Giới thiệu về deep learning Exercise 2: Hiểu về MLP

Bài tập hiện tại

Exercise 3: Mô hình khởi đầu Exercise 4: MLP cho CTR Exercise 5: Điều chỉnh siêu tham số trong deep learning Exercise 6: Tinh chỉnh siêu tham số trong MLP Exercise 7: Thay đổi siêu tham số Exercise 8: Tìm kiếm theo lưới cho MLP Exercise 9: Đánh giá mô hình Exercise 10: Điểm F-beta Exercise 11: Precision thấp và AUC cao Exercise 12: Precision, ROI và AUC Exercise 13: Ôn tập và so sánh mô hình Exercise 14: Khởi động so sánh mô hình Exercise 15: Đánh giá precision và ROI Exercise 16: Chấm điểm tổng hợp Exercise 17: Video tổng kết