آموزش یادگیری ماشین برای خرده فروشی

Machine Learning for Retail

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: رمزگذاری تراکنش Demo: Transaction Encoding

  • 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

  • نسخه ی نمایشی: پیشنهاد 5 محصول برتر Demo: Recommending Top 5 Products

  • خلاصه، مراجع و مطالعه بیشتر Summary, References, and Further Study

نمایش نظرات

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.

آموزش یادگیری ماشین برای خرده فروشی
جزییات دوره
1h 59m
29
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.