Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره جنبه های مفهومی به کارگیری یادگیری ماشینی برای مشکلات در صنعت خرده فروشی را بررسی می کند، در مورد مطالعات موردی یادگیری ماشینی مورد استفاده خرده فروشان بحث می کند، و پیاده سازی های عملی تکنیک ها را بر روی داده های دنیای واقعی بررسی می کند. صنعت خرده فروشی در لبه برش قرار داشته است. استفاده از تکنیک های کمی به منظور بهینه سازی بی وقفه عملیات. هوش مصنوعی همچنین به طور گسترده در خرده فروشی استفاده می شود تا تجربیات مشتری را بهبود بخشد و تعاملات با مشتری را کمتر معامله ای و شخصی تر کند. در این دوره آموزشی، یادگیری ماشینی برای خرده فروشی، تکنیک های یادگیری ماشینی را که در حال حاضر در صنعت خرده فروشی استفاده می شود، بررسی خواهید کرد. ابتدا به آنچه گزارش گارتنر در مورد آینده هوش مصنوعی در صنعت خرده فروشی می گوید نگاه می کنید و نمونه ها و مواردی را بررسی خواهید کرد که در آن ML در حال حاضر در خرده فروشی استفاده می شود - برای پیش بینی رفتار مشتری، بصری و صوتی. جستجو، برای پیش بینی قیمت و موجودی برای ردیابی رفتار مشتری. سپس، با استفاده از شبکههای عصبی کانولوشنال و الگوریتمهای شباهت، درک بصری از نحوه عملکرد جستجوی بصری نیز خواهید داشت. در مرحله بعد، دو مطالعه موردی ML را از مقالات تحقیقاتی بررسی خواهید کرد - مورد اول در مورد اینکه چگونه یک پلت فرم تجارت الکترونیک آنلاین از یک مدل بهینه سازی قیمت برای تعیین قیمت محصولات روی پلت فرم خود برای به حداکثر رساندن درآمد و حاشیه ناخالص پلت فرم استفاده می کند، بحث می کند. مطالعه موردی دوم، مشکل مسیریابی خودروی پویا را در صنعت زنجیره تامین بررسی میکند و میبیند که چگونه تکنیکهای یادگیری ماشین میتوانند به یافتن راهحلهای خوبی برای این مشکل کمک کنند. در نهایت، کدنویسی عملی دریافت خواهید کرد و خواهید دید که چگونه می توانید از الگوریتم پیشینی و تحلیل سبد بازار برای تجزیه و تحلیل داده های تراکنش مشتری استفاده کنید. پس از اتمام این دوره، آگاهی از نحوه استفاده از یادگیری ماشینی در صنعت خرده فروشی و تجربه عملی کار با داده های خرده فروشی خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
بررسی کاربردهای یادگیری ماشینی در خرده فروشی
Exploring Applications of Machine Learning in Retail
بررسی نسخه
Version Check
پیش نیازها و رئوس مطالب دوره
Prerequisites and Course Outline
گرایش های دیجیتال در خرده فروشی
Digital Trends in Retail
موارد استفاده برای ML در خرده فروشی: پیش بینی رفتار مشتری
Use Cases for ML in Retail: Predicting Customer Behavior
از Cases برای ML در خرده فروشی استفاده کنید: جستجوی تصویری و جستجوی صوتی
Use Cases for ML in Retail: Visual Search and Voice Search
از موارد ML در خرده فروشی استفاده کنید: دستیاران مجازی و چت ربات ها
Use Cases of ML in Retail: Virtual Assistants and Chatbots
موارد استفاده از ML در خرده فروشی: پیش بینی قیمت و موجودی
Use Cases of ML in Retail: Price and Inventory Prediction
از موارد ML در خرده فروشی استفاده کنید: ردیابی رفتار از طریق تجزیه و تحلیل ویدئو
Use Cases of ML in Retail: Behavior Tracking via Video Analytics
یادگیری ماشین برای جستجوی بصری
Machine Learning for Visual Search
چالش های به کارگیری یادگیری ماشینی در خرده فروشی
Challenges Applying Machine Learning in Retail
مطالعه موردی: بهینه سازی قیمت محصول با استفاده از یادگیری ماشینی
Case Study: Optimizing Product Prices Using Machine Learning
کشش قیمتی تقاضا
Price Elasticity of Demand
بهینه سازی قیمت: پس زمینه و زمینه
Price Optimization: Background and Context
بهینه سازی قیمت: منابع داده، مهندسی ویژگی ها و مدل ها
Price Optimization: Data Sources, Feature Engineering, and Models
بهینه سازی قیمت: کشش قیمت، برنامه ریزی خطی و نتایج
Price Optimization: Price Elasticity, Linear Programming, and Results
مطالعه موردی: بهینه سازی برنامه ریزی تامین با استفاده از یادگیری ماشین
Case Study: Optimizing Supply Planning Using Machine Learning
هوش مصنوعی در زنجیره تامین و بهینه سازی مسیر
AI in The Supply Chain and Route Optimization
مسیریابی پویا خودرو: پسزمینه و زمینه
Dynamic Vehicle Routing: Background and Context
مسیریابی پویا خودرو: گردش کار سه مرحله ای و نتایج
Dynamic Vehicle Routing: Three Stage Workflow and Results
استفاده از تکنیک های یادگیری ماشینی در داده های خرده فروشی
Applying Machine Learning Techniques to Retail Data
آموزش قوانین انجمن
Association Rules Learning
مجموعه آیتم های مکرر و پشتیبانی
Frequent Itemsets and Support
اعتماد به نفس، بالا بردن، و اعتقاد
Confidence, Lift, and Conviction
الگوریتم Apriori
Apriori Algorithm
نسخه ی نمایشی: پاکسازی و آماده سازی داده ها
Demo: Data Cleaning and Preparation
نسخه ی نمایشی: کاوش داده ها
Demo: Data Exploration
نسخه ی نمایشی: مجموعه آیتم های مکرر و قوانین انجمن با استفاده از پشتیبانی
Demo: Frequent Itemsets and Association Rules Using Support
نسخه ی نمایشی: مجموعه آیتم های مکرر و قوانین انجمن با استفاده از اعتماد و افزایش
Demo: Frequent Itemsets and Association Rules Using Confidence and Lift
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات