Tematska celina 1. Uvod u CTR i osnovne tehnike
Ovaj tekst upravo čitate zato što se verovatno negde kliknuli na odgovarajući link. U ovom poglavlju ćete saznati zašto su stope klikova (CTR) sastavni deo ciljanog oglašavanja, kako se izvode osnovne manipulacije DataFrame-om i kako možete koristiti modele mašinskog učenja za predviđanje CTR-a.
Lekcija 1. Uvod u stope klikova
aktivnost 1: Početni koraci
aktivnost 2: Istraživanje karakteristika
aktivnost 3: Prva evaluacija podataka
Lekcija 2. Pregled modela mašinskog učenja
aktivnost 1: Logistička regresija
aktivnost 2: Logistička regresija za slike
aktivnost 3: Primer drugog modela
Lekcija 3. Predviđanje stope klikova korišćenjem stabala odlučivanja
aktivnost 1: Implementacija modela
aktivnost 2: Prvi CTR model
aktivnost 3: Više od same tačnosti
Tematska celina 2. Analiza podataka istraživačke stope klikova
Ova celina pruža osnove za istraživačku analizu podataka (EDA). Koristeći primere podataka, koristićete biblioteku pandas da biste pregledali kolone i tipove podataka, istražili nedostajuće podatke i koristili seckanje za inženjering karakteristika na kategorijalnim karakteristikama. Sve je to važno kada se istražuju karakteristike za preciznije predviđanje CTR-a.
Lekcija 1. Eksplorativna analiza podataka
aktivnost 1: Prvi pogled
aktivnost 2: Provera nedostajućih vrednosti
aktivnost 3: Distribucije po stopi klikova
Lekcija 2. Inženjering karakteristika
aktivnost 1: Analiziranje kolona datuma i vremena
aktivnost 2: Konvertovanje kategorijalnih promenljivih
aktivnost 3: Kreiranje novih karakteristika
Lekcija 3. Standardizacija karakteristika
aktivnost 1: Normalizacija logaritmom
aktivnost 2: Razumevanje standardizacije
aktivnost 3: Standardno skaliranje
Tematska celina 3. Primene i poboljšanja modela
Vreme je da se dublje zaroni. Saznajte kako možete koristiti mere učinka modela, uključujući preciznost i recall, da biste odgovorili na pitanja iz stvarnog sveta, kao što je procena povrata ulaganja u troškove oglašavanja. Takođe ćete naučiti načine za poboljšanje tih metrika evaluacije, kao što su metode ansambla i podešavanje hiperparametara.
Lekcija 1. Primene metričke evaluacije
aktivnost 1: Četiri kategorije ishoda
aktivnost 2: Procena četiri kategorije
aktivnost 3: Povraćaj ulaganja od troškova oglašavanja
Lekcija 2. Evaluacija modela
aktivnost 1: Preciznost i recall
aktivnost 2: Osnovna vrednost
aktivnost 3: Poređenje klasifikatora
Lekcija 3. Modeli za podešavanje
aktivnost 1: Regularizacija
aktivnost 2: Unakrsna validacija
aktivnost 3: Izbor modela
Lekcija 4. Ansambli i podešavanje hiperparametara
aktivnost 1: Razumevanje podešavanja hiperparametara
aktivnost 2: Slučajne šume
aktivnost 3: Pretraga mreže
Tematska celina 4. Duboko učenje
Profit može biti u velikoj meri pod uticajem stope klikova vaše kampanje. U ovom poglavlju ćete saznati kako se dubinsko učenje može koristiti za smanjenje tog rizika. Fokusiraćete se na modele višeslojnog perceptrona (MLP) i neuronskih mreža i saznaćete kako se oni mogu koristiti za hvatanje složenog odnosa između promenljivih radi preciznijeg predviđanja stope klikova. Na kraju, istražićete kako primeniti osnove podešavanja hiperparametara i regularizacije na modele klasifikacije.
Lekcija 1. Uvod u duboko učenje
aktivnost 1: Razumevanje MLP-ova
aktivnost 2: Početni model
aktivnost 3: MLP-ovi za CTR
Lekcija 2. Podešavanje hiperparametara u dubokom učenju
aktivnost 1: Podešavanje hiperparametara u MLP-ovima
aktivnost 2: Variranje hiperparametara
aktivnost 3: Pretraga mreže MLP
Lekcija 3. Evaluacija modela
aktivnost 1: F-beta skor
aktivnost 2: Niska preciznost i visoki AUC
aktivnost 3: Preciznost, povraćaj ulaganja i površina ispod krive (AUC)
Lekcija 4. Pregled i poređenje modela
aktivnost 1: Zagrevanje za poređenje modela
aktivnost 2: Procena preciznosti i povraćaja ulaganja
aktivnost 3: Ukupan skoring
Tehnički detalji interaktivne obuke
Obuka je interaktivnog karaktera, jer svaki polaznik radi i unosi komande za svojim računarom, prateći predavača. Predavač (čiji je računar povezan na projektor) polako objašnjava poslovni projekat i rešava ga unoseći jednu po jednu liniju kôda u okviru pajton razvojnog okruženja. Svaka linija kôda se detaljno elaborira.
U okviru interaktivne obuke, dobićete i detaljno napisan priručnik, sa svim aktivnostima, koji su rađeni na obuci, uključujući i sve linije kôda koje ste napisali. Takođe interaktivnu obuku prati i kreirani video materijal za svaku lekciju, gde je opet detaljno objašnjeno rešavanje poslovnog projekta i elaboracija svake linije kôda. Na ovaj način bićete u stanju da potpuno razumete i savladate kako predviđanje CTR-a, tako i odgovarajuće komande programskog jezika pajton.
Za potrebe praćenja ove obuke potrebno je umereno znanje programskog jezika pajton. Ukoliko nemate predznanje iz programiranja u pajtonu, predlaže se da prvo odslušate sledeće dve interaktivne obuke:
Uvod u pajton za finansije, kao i
Srednji nivo pajtona za finansije.
Svaka od datih interaktivnih obuka, traje takođe po dva dana, i potkrepljena je detaljno napisanim priručnicima, kao i kvalitetnim snimljenim video materijalima.
Predavač na obuci je dr Vladimir Vasić, doktor statističkih nauka, redovni profesor na Beogradskoj bankarskoj akademiji – Fakultetu za bankarstvo, osiguranje i finansije, koji ima višedecenijsko iskustvo u rešavanju brojnih privrednih poslovnih projekata u zemlji i regionu. Predavač je 17 godina, učestvovao kao najviši istraživač (klasa A1) na projektima nacionalnog značaja na istraživanjima kvantifikacije verovatnoće difolta i izgradnje kreditnog rejtinga preduzeća. Dati projekti, finansirani od Ministarstva za nauku Srbije su: „Razvoj institucija i instrumenata hipoteke i financijskog tržišta u Srbiji“ (2006-2010) i „Rizici financijskih institucija i tržišta u Srbiji – mikroekonomski i makroekonomski pristup“ (2011-2022). Takođe, predavač je više od 15 godina vodeći konsultant, kada su u pitanju izgradnja algoritama i modela alatima data mining-a. Osim višedecenijskog iskustva u prenošenju znanja naprednog modeliranja i predikcije studentima završnih godina, predavač je i autor 25 naučnih radova objavljenih u časopisima na SCI i SSCI listi.
Prijavite se putem: linka
