آموزش پایتون برای تجزیه و تحلیل بازاریابی: یادگیری ماشینی دستی

Python for Marketing Analytics: Hands-On Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: الگوریتم های یادگیری ماشین | Numpy، Pandas، Sklearn، VarClusHi | 2 تجزیه و تحلیل بازاریابی دنیای واقعی پروژه‌های پایتون مفاهیم بنیادی یادگیری ماشینی استاد الگوریتم‌های یادگیری ماشین و انجام جلسات دستی با SKLEARN مدل‌های یادگیری ماشین قدرتمند بسازید و چارچوب‌های پیش‌بینی قوی ایجاد کنید درک یک مشکل تجاری و ارتباط با یک راه‌حل تحلیلی یاد بگیرید چگونه بینش‌های تحلیلی را تبدیل کنید. وارد یک استراتژی کسب و کار و برقراری ارتباط مشابه برای حداکثر تأثیرگذاری انجام پروژه‌ها در تجزیه و تحلیل بازاریابی خرده‌فروشی که می‌تواند مستقیماً در رزومه شما نمایش داده شود.

آیا علاقه مند به یادگیری یادگیری ماشینی و شروع حرفه ای در علم داده هستید؟ آیا علاقه مند به توسعه یک سبد پروژه برای به نمایش گذاشتن کار خود در زمینه تجزیه و تحلیل بازاریابی خرده فروشی هستید؟ درباره بینش‌های عملی پروژه‌های یادگیری ماشینی که می‌توانید در رزومه خود نشان دهید، چطور؟ خوب، پس شما در جای مناسبی هستید و این فقط همان دوره ای است که به آن نیاز دارید!

این دوره توسط یک دانشمند داده بسیار باتجربه طراحی شده است تا درک شما از یادگیری ماشینی و نحوه استفاده از مفاهیم را در این زمینه یا تجزیه و تحلیل خرده فروشی بهبود بخشد.

این دوره به 4 هدف زیر دست می یابد

1. سفر یادگیری خود را در زمینه علم داده و یادگیری ماشین شروع کنید

2. سطح اعتماد خود را با توضیح ساده تئوری های پیچیده و پیاده سازی Python مربوطه ایجاد کنید

4. مفاهیم بازاریابی تحلیلی

را توضیح دهید

3. به شما کمک می‌کند تا از طریق ۲ پروژه یادگیری ماشینی واقعی در دامنه بازاریابی خرده‌فروشی، مجموعه‌ای قوی از کار بسازید و روایتی پیرامون بینش‌ها و توصیه‌ها بسازید


` این دوره در قالب ماژول های زیر ساختار یافته است:

1. مبانی یادگیری ماشین

2. پیش پردازش داده

3. انتخاب ویژگی

4. الگوریتم های خوشه بندی

5. کاهش ابعاد

6. الگوریتم های رگرسیون

7. الگوریتم های طبقه بندی

8. بهینه سازی مدل

9. مفاهیم تحلیل بازاریابی

10. پروژه های تجزیه و تحلیل بازاریابی دامنه خرده فروشی


علاوه بر این، آزمون‌هایی در طول دوره ارائه می‌شود تا امکان بازبینی سریع مفاهیم و ایجاد اطمینان بیشتر در فرآیند یادگیری فراهم شود. همه کدها و مجموعه داده ها به عنوان منابع قابل دانلود ارائه شده اند


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • پوشه کد اکسپرس یادگیری ماشینی Machine Learning Express Code Folder

راه اندازی محیط زیست Setting up the Environment

  • راه اندازی پوشه Jupyter و Code Setting up the Jupyter and Code Folder

مبانی یادگیری ماشین Fundamentals of Machine Learning

  • مروری بر یادگیری ماشین Overview of Machine Learning

  • مبانی یادگیری تحت نظارت و بدون نظارت Fundamentals of Supervised and UnSupervised Learning

  • مراحل ساخت یک مدل Steps to build a Model

  • برازش مدل و مبادله واریانس تعصب Model Fit and Bias Variance Tradeoff

  • آزمون واریانس تعصب Bias Variance Quiz

  • معیارهای عملکرد مدل Model Performance Metrics

پیش پردازش داده ها Data Preprocessing

  • کد و پوشه Data Learning Express را تنظیم کنید Set up the Machine Learning Express Code and Data Folder

  • معرفی Introduction

  • واردات کتابخانه ها و داده ها Import Libraries and Data

  • بررسی انواع ویژگی ها Check Types of Features

  • تقسیم مستقل و هدف Independent and Target Split

  • درصد مقادیر از دست رفته را بررسی کنید Check Percentage of Missing Values

  • انتساب مقادیر گمشده Imputation of Missing Values

  • کنترل دورتر Outlier Handling

  • رمزگذاری ویژگی های دسته بندی Encoding Categorical Features

  • مقیاس بندی ویژگی ها Feature Scaling

  • گسسته سازی ویژگی Feature Discretization

  • پیوستن به داده ها Joining of Data

  • تقسیم تست قطار Train Test Split

  • مفهوم مدیریت پرت Concept of Outlier Handling

  • مفهوم انتساب مقادیر گمشده Concept of Imputation of Missing Values

  • مفهوم مقیاس بندی ویژگی ها Concept of Feature Scaling

  • آزمون پیش پردازش داده ها Data PreProcessing Quiz

انتخاب ویژگی Feature Selection

  • معرفی Introduction

  • انتخاب ویژگی برای مشکلات رگرسیون Feature Selection for Regression Problems

  • انتخاب ویژگی برای مسائل طبقه بندی Feature Selection for Classification Problems

  • آزمون انتخاب ویژگی Feature Selection Quiz

الگوریتم های خوشه بندی Clustering Algorithms

  • معرفی Introduction

  • مشکل کسب و کار و شرح داده ها Business Problem and Data Description

  • خوشه بندی سلسله مراتبی - مفهوم Hierarchical Clustering - Concept

  • خوشه بندی سلسله مراتبی - پایتون مرحله 1 Hierarchical Clustering - Python Step 1

  • خوشه بندی سلسله مراتبی - پایتون مرحله 2 Hierarchical Clustering - Python Step 2

  • خوشه بندی سلسله مراتبی - پایتون مرحله 3 Hierarchical Clustering - Python Step 3

  • K به معنای خوشه بندی - مفهوم K Means Clustering - Concept

  • K به معنای خوشه بندی - پایتون مرحله 1 K Means Clustering - Python Step 1

  • K به معنای خوشه بندی - پایتون مرحله 2 K Means Clustering - Python Step 2

  • K به معنای خوشه بندی - پایتون مرحله 3 K Means Clustering - Python Step 3

کاهش ابعاد Dimensionality Reduction

  • معرفی Introduction

  • مشکل کسب و کار و شرح داده ها Business Problem and Data Description

  • PCA - مفهوم PCA - Concept

  • PCA - پایتون مرحله 1 PCA - Python Step 1

  • PCA - پایتون مرحله 2 PCA - Python Step 2

  • خوشه بندی متغیر - مفهوم Variable Clustering - Concept

  • خوشه بندی متغیر - پایتون مرحله 1 Variable Clustering - Python Step 1

  • خوشه بندی متغیر - قدم 2 پایتون Variable Clustering - Python Step 2

الگوریتم های رگرسیون Regression Algorithms

  • معرفی Introduction

  • مسئله کسب و کار 1 و شرح داده ها Business Problem 1 and Data Description

  • رگرسیون خطی ساده - مفهوم Simple Linear Regression - Concept

  • رگرسیون خطی ساده - قدم اول پایتون Simple Linear Regression - Python Step 1

  • رگرسیون خطی ساده - پایتون مرحله 2 Simple Linear Regression - Python Step 2

  • رگرسیون خطی ساده - پایتون مرحله 3 Simple Linear Regression - Python Step 3

  • مسئله کسب و کار 2 و شرح داده ها Business Problem 2 and Data Description

  • رگرسیون خطی چندگانه - مفهوم Multiple Linear Regression - Concept

  • رگرسیون خطی چندگانه - پایتون مرحله 1 Multiple Linear Regression -Python Step 1

  • رگرسیون خطی چندگانه - پایتون مرحله 2 Multiple Linear Regression - Python Step 2

  • رگرسیون خطی چندگانه - پایتون مرحله 3 Multiple Linear Regression - Python Step 3

  • رگرسیون درخت تصمیم - مفهوم Decision Tree Regression - Concept

  • رگرسیون درخت تصمیم - پایتون مرحله 1 Decision Tree Regression - Python Step 1

  • رگرسیون درخت تصمیم - قدم 2 پایتون Decision Tree Regression - Python Step 2

  • رگرسیون درخت تصمیم - پایتون مرحله 3 Decision Tree Regression - Python Step 3

  • رگرسیون تصادفی جنگل - مفهوم Random Forest Regression - Concept

  • رگرسیون جنگل تصادفی - پایتون مرحله 1 Random Forest Regression - Python Step 1

  • رگرسیون جنگل تصادفی - پایتون مرحله 2 Random Forest Regression - Python Step 2

  • رگرسیون جنگل تصادفی - پایتون مرحله 3 Random Forest Regression - Python Step 3

  • رگرسیون افزایش گرادیان - مفهوم Gradient Boosting Regression - Concept

  • رگرسیون افزایش گرادیان - قدم اول پایتون Gradient Boosting Regression - Python Step 1

  • رگرسیون افزایش گرادیان - قدم 2 پایتون Gradient Boosting Regression - Python Step 2

  • رگرسیون افزایش گرادیان - قدم 3 پایتون Gradient Boosting Regression - Python Step 3

الگوریتم های طبقه بندی Classification Algorithms

  • معرفی Introduction

  • مشکل کسب و کار و شرح داده ها Business Problem and Data Description

  • رگرسیون لجستیک - مفهوم Logistic Regression - Concept

  • رگرسیون لجستیک - پایتون مرحله 1 Logistic Regression - Python Step 1

  • رگرسیون لجستیک - پایتون مرحله 2 Logistic Regression - Python Step 2

  • رگرسیون لجستیک - پایتون مرحله 3 Logistic Regression - Python Step 3

  • رگرسیون لجستیک - پایتون مرحله 4 Logistic Regression - Python Step 4

  • رگرسیون لجستیک - پایتون مرحله 5 Logistic Regression - Python Step 5

  • طبقه بندی درخت تصمیم - مفهوم Decision Tree Classification - Concept

  • طبقه بندی درخت تصمیم - پایتون مرحله 1 Decision Tree Classification - Python Step 1

  • طبقه بندی درخت تصمیم - قدم 2 پایتون Decision Tree Classification - Python Step 2

  • طبقه بندی درخت تصمیم - پایتون مرحله 3 Decision Tree Classification - Python Step 3

  • طبقه بندی درخت تصمیم - پایتون مرحله 4 Decision Tree Classification - Python Step 4

  • طبقه بندی تصادفی جنگل - مفهوم Random Forest Classification - Concept

  • طبقه بندی جنگل تصادفی - قدم اول پایتون Random Forest Classification - Python Step 1

  • طبقه بندی جنگل تصادفی - قدم 2 پایتون Random Forest Classification - Python Step 2

  • طبقه بندی جنگل تصادفی - پایتون مرحله 3 Random Forest Classification - Python Step 3

  • طبقه بندی جنگل تصادفی - پایتون مرحله 4 Random Forest Classification - Python Step 4

  • طبقه بندی افزایش گرادیان - مفهوم Gradient Boosting Classification - Concept

  • طبقه بندی افزایش گرادیان - قدم اول پایتون Gradient Boosting Classification - Python Step 1

  • طبقه بندی افزایش گرادیان - قدم 2 پایتون Gradient Boosting Classification - Python Step 2

  • طبقه بندی افزایش گرادیان - قدم 3 پایتون Gradient Boosting Classification - Python Step 3

  • طبقه بندی افزایش گرادیان - پایتون مرحله 4 Gradient Boosting Classification - Python Step 4

  • دسته بندی انباشته - مفهوم Stacking Classifier - Concept

  • Stacking Classifier - Python مرحله 1 Stacking Classifier - Python Step 1

  • Stacking Classifier - Python Step 2 Stacking Classifier - Python Step 2

  • Stacking Classifier - Python مرحله 3 Stacking Classifier - Python Step 3

  • Stacking Classifier - Python مرحله 4 Stacking Classifier - Python Step 4

  • طبقه بندی KNN - مفهوم KNN Classifier - Concept

  • طبقه بندی کننده KNN - پایتون مرحله 1 KNN Classifier - Python Step 1

  • طبقه بندی کننده KNN - پایتون مرحله 2 KNN Classifier - Python Step 2

  • طبقه بندی کننده KNN - پایتون مرحله 3 KNN Classifier - Python Step 3

  • طبقه بندی کننده KNN - پایتون مرحله 4 KNN Classifier - Python Step 4

  • طبقه بندی کننده ساده بیز - مفهوم Naive Bayes Classifier - Concept

  • طبقه بندی کننده ساده بیز - پایتون مرحله 1 Naive Bayes Classifier - Python Step 1

  • طبقه بندی کننده ساده بیز - پایتون مرحله 2 Naive Bayes Classifier - Python Step 2

  • طبقه بندی کننده ساده بیز - پایتون مرحله 3 Naive Bayes Classifier - Python Step 3

  • طبقه بندی کننده ساده بیز - پایتون مرحله 4 Naive Bayes Classifier - Python Step 4

  • طبقه بندی SVM - مفهوم SVM Classification - Concept

  • طبقه بندی SVM - پایتون مرحله 1 SVM Classification - Python Step 1

  • طبقه بندی SVM - پایتون مرحله 2 SVM Classification - Python Step 2

  • طبقه بندی SVM - پایتون مرحله 3 SVM Classification - Python Step 3

  • طبقه بندی SVM - پایتون مرحله 4 SVM Classification - Python Step 4

بهینه سازی مدل Model Optimization

  • معرفی Introduction

  • تنظیم بیش از حد پارامتر با جستجوی شبکه - مفهوم Hyper Parameter Tuning with Grid Search - Concept

  • جستجوی شبکه - پیاده سازی پایتون با SVM Grid Search - Python Implementation with SVM

مفاهیم تحلیل بازاریابی Marketing Analytics Concepts

  • معرفی Introduction

  • تجزیه و تحلیل بازاریابی چیست؟ What is Marketing Analytics

  • 4 P بازاریابی The 4 P's of Marketing

  • چرخه عمر مشتری Customer Lifecycle

  • منابع داده و موارد استفاده برای تجزیه و تحلیل بازاریابی Data Sources and Use Cases for Marketing Analytics

  • تقسیم بندی مشتریان Customer Segmentation

  • استراتژی تجزیه و تحلیل بازاریابی از یادگیری ماشین Marketing Analytics Strategy from Machine Learning

  • موارد استفاده تجزیه و تحلیل بازاریابی برای دامنه خرده فروشی Marketing Analytics Use Cases for Retail Domain

پروژه خرده فروشی 1 - مدل سازی پاسخ و استراتژی هدف گذاری برای سوپرمارکت Retail Project 1 - Response Modeling and Targeting Strategy for Supermarket

  • هدف پروژه و رویکرد تحلیلی Project Objective and Analytical Approach

  • اجرای پروژه - دریافت داده ها Project Implementation - Getting the data

  • اجرای پروژه - پاکسازی داده ها Project Implementation - Data Cleaning

  • اجرای پروژه - انتخاب ویژگی عددی Project Implementation - Numerical Feature Selection

  • اجرای پروژه - انتخاب ویژگی طبقه بندی شده Project Implementation - Categorical Feature Selection

  • اجرای پروژه - کاهش ابعاد Project Implementation - Dimensionality Reduction

  • اجرای پروژه - مدل سازی Project Implementation - Model Building

  • اجرای پروژه - ارزیابی و انتخاب مدل Project Implementation - Model Evaluation and Selection

  • اجرای پروژه - تحلیل دهک احتمال Project Implementation - Probability Decile Analysis

  • اجرای پروژه - امکان تصمیم گیری استراتژیک از مدل Project Implementation - Enabling Strategic Decisions from Model

  • بینش و توصیه های پروژه Project Insights and Recommendations

پروژه خرده فروشی 2 - مدل سازی وفاداری و استراتژی تعامل برای محصول ارگانیک Retail Project 2 - Loyalty Modeling and Engagement Strategy for Organic Product

  • هدف پروژه و رویکرد تحلیلی Project Objective and Analytical Approach

  • اجرای پروژه - دریافت داده ها Project Implementation - Getting the data

  • اجرای پروژه - پاکسازی داده ها Project Implementation - Data Cleaning

  • اجرای پروژه - انتخاب ویژگی عددی Project Implementation - Numerical Feature Selection

  • اجرای پروژه - انتخاب ویژگی طبقه بندی شده Project Implementation - Categorical Feature Selection

  • اجرای پروژه - مدل سازی Project Implementation - Model Building

  • اجرای پروژه - ارزیابی و انتخاب مدل Project Implementation - Model Evaluation and Selection

  • اجرای پروژه - تحلیل دهک احتمال Project Implementation - Probability Decile Analysis

  • اجرای پروژه - امکان تصمیم گیری استراتژیک از مدل Project Implementation - Enabling Strategic Decisions from Model

  • بینش و توصیه های پروژه Project Insights and Recommendations

تکمیل دوره Course Completion

  • تبریک و آرزوی بهترین ها Congratulations and Best Wishes

نمایش نظرات

نظری ارسال نشده است.

آموزش پایتون برای تجزیه و تحلیل بازاریابی: یادگیری ماشینی دستی
خرید اشتراک و دانلود خرید تکی و دانلود | 320,000 تومان (5 روز مهلت دانلود) در صورت خرید اشتراک، این آموزش بدلیل حجم بالا معادل 2 دوره است و 2 دوره از اشتراک شما کم می شود. زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
25.5 hours
144
Udemy (یودمی) udemy-small
20 آذر 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
325
4.6 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Machine Learning Express Machine Learning Express

مهارت های علم داده را ارائه می دهد

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.