Avslutningsvideo

Förutsäga CTR med maskininlärning i Python

Kevin Huo

Instructor

Kapitel 1

  • Introduktion till CTR

    • Lärde oss om grundproblemet ur ett klassificeringsperspektiv

  • Översikt av maskininlärningsmodeller

    • Övade logistisk regression på olika datamängder

  • Kort översikt av CTR-prediktion

    • Tillämpade beslutsträd för CTR-prediktion
Förutsäga CTR med maskininlärning i Python

Kapitel 2

  • Grundläggande explorativ dataanalys

    • Undersökte specifika särdrag och variabilitet i CTR

  • Särdragsframtagning

    • Lärde oss hashning och skapade särdrag från befintliga

  • Standardisering

    • Tillämpade standardskalning och lognormalisering
Förutsäga CTR med maskininlärning i Python

Kapitel 3

  • Tillämpning av utvärderingsmått

    • Lärde oss affärsmässiga tolkningar av utvärderingsmått via förvirringsmatriser och ett ROI-ramverk

  • Modellutvärdering

    • Utvärderade precision och träffsäkerhet relativt en basklassificerare

  • Modelljustering

    • Lärde oss begreppen regularisering och korsvalidering

  • Ensembler och hyperparameterjustering

    • Justerade hyperparametrar med rutnätssökning för en Random Forest
Förutsäga CTR med maskininlärning i Python

Kapitel 4

  • Grundläggande koncept och modell

    • Lärde oss hur neurala nätverk fungerar internt

  • Hyperparameterjustering

    • Justerade hyperparametrar i neurala nätverk via dolda lager och maximalt antal iterationer

  • Modellutvärdering

    • Beräknade F-beta-poäng och konsekvenserna av precision kontra AUC för ROC-kurvan

  • Modellgenomgång och jämförelse

    • Gick igenom alla modeller och jämförde dem på samtliga utvärderingsmått
Förutsäga CTR med maskininlärning i Python

Tack!

Förutsäga CTR med maskininlärning i Python

Preparing Video For Download...