Gratulacje!

Uczenie maszynowe w marketingu w Pythonie

Karolis Urbonas

Head of Analytics & Science, Amazon

Czego się nauczyliśmy?

Różne typy uczenia maszynowego – nadzorowane, nienadzorowane, ze wzmocnieniem
Etapy uczenia maszynowego
Techniki przygotowania danych dla różnych modeli
Przewidywanie rezygnacji klientów telekomunikacyjnych z użyciem regresji logistycznej i drzew decyzyjnych
Obliczanie wartości życiowej klienta
Przewidywanie transakcji w następnym miesiącu za pomocą regresji liniowej
Mierzenie wydajności modelu przy użyciu wielu metryk
Segmentacja klientów na podstawie historii zakupów za pomocą K-means i NMF

Zgłębić każdy temat
Eksplorować zbiory danych, zmieniać parametry i próbować poprawić dokładność modeli lub interpretowalność segmentacji
Podjąć projekt z innym zbiorem danych i samodzielnie zbudować modele z komentarzami
Napisać post na blogu z linkiem do kodu na GitHubie po ukończeniu projektu
Sprawdzić swoją wiedzę w pracy

Uczenie maszynowe w marketingu w Pythonie