感知器是所有複雜神經網路的基礎。在處理多個隱藏層並微調其他超參數之前，先理解「單一感知器」層級的流程非常關鍵。在本練習中，你將從輸入到輸出層，辨識感知器層級各步驟的正確順序。
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
你之所以來到這一頁，很可能是因為你點了某個連結。本章將帶你認識為什麼點擊率（CTR）對精準投放廣告至關重要、如何進行基本的 DataFrame 操作，以及如何使用機器學習模型來預測 CTR。
本章將打好探索式資料分析（EDA）的基礎。你會用範例資料與 pandas 函式庫檢視欄位與資料型別、探索遺漏值，並利用雜湊法對類別型特徵進行特徵工程。這些步驟對於探索特徵、提升 CTR 預測的準確度都非常關鍵。
現在該更深入了。你會學到如何運用模型效能指標（包含 precision 與 recall）來回答真實情境的問題，例如評估廣告投放的投資報酬率（ROI）。你也會學到改進這些評估指標的方法，例如集成（ensemble）方法與超參數調校。
廣告活動的 CTR 會大幅影響獲利。本章將介紹如何運用深度學習來降低風險。你會聚焦於多層感知器（MLP）與神經網路模型，並學習如何用它們捕捉變數間的複雜關係，以更準確地預測 CTR。最後，你會探索如何將超參數調校與正規化的基本概念應用到分類模型。
當前練習
