آموزش تحلیلگر بازاریابی: پیش‌بینی فروش و تحلیل بازار - آخرین آپدیت

سرفصل ها و درس ها

مرور کلی تحلیل داده‌های بازاریابی Marketing Data Analysis Overview.

• مقدمه‌ای بر پانداس برای تحلیل داده‌های بازاریابی Introduction to Pandas for Marketing Data Analysis

• راه‌حل تمرین Assignment Solution

• تحلیل اکتشافی داده‌ها Exploratory Data Analysis

• راه‌حل تمرین Assignment Solution

• معیارهای بازاریابی Marketing Metrics

• مرور کلی بخش‌بندی مشتری Customer Segmentation Overviewing

• تجسم کمپین‌های بازاریابی با استفاده از پایتون Visualization of the Marketing Campaigns using Python

• خودکارسازی تحلیل بازاریابی در پایتون Automating Marketing Analysis in Python

• شناسایی ناسازگاری‌های داده‌های بازاریابی با پایتون Identifying Marketing Data Inconsistencies using Python

• رفع ناسازگاری‌های داده‌های بازاریابی با پایتون Resolving Inconsistencies in Marketing Data using Python

• طراحی تست A/B برای داده‌های بازاریابی در پایتون Designing an AB Test for Marketing Data in Python.

• طراحی تست A/B برای داده‌های بازاریابی با بخش‌بندی در پایتون Designing an AB Test for Marketing Data with Segmentation in Python.

• محاسبه لیفت و تست معناداری برای داده‌های بازاریابی در پایتون Calculating Lift & Significance Testing for Marketing Data in Python.

• تمام کدها و داده‌های ماژول در بخش منابع این درس ALL Codes & Data used in This Module Attached to this lecture Resource Section.

یادآوری پایتون Python Refresher.

• توابع رشته‌ای در پایتون بخش ۱ String Functions in Python Part 1

• توابع رشته‌ای در پایتون بخش ۲ String Functions in Python Part 2

• توابع رشته‌ای در پایتون بخش ۳ String Functions in Python Part 3

• توابع رشته‌ای در پایتون بخش ۴ String Functions in Python Part 4

• توابع رشته‌ای در پایتون بخش ۵ String Functions in Python Part 5

• لیست‌ها Lists.

• تاپل‌ها Tuples.

• مجموعه‌ها Sets.

• دیکشنری‌ها Dictionaries.

• جریان کنترل: شرط IF Control Flow IF.

• حلقه For بخش ۱ For Loop Part 1.

• حلقه For بخش ۲ For Loop Part 2.

• حلقه While بخش ۱ While Loop Part 1.

• حلقه While بخش ۲ While Loop Part 2.

• بهترین شیوه‌های استفاده از حلقه While While Loop Best Practices.

• مقدمه‌ای بر توابع در پایتون Introduction to Functions in Python.

• توابع در پایتون و آرگومان‌ها Functions in Python and Arguments.

• نکات و ترفندهای توابع: بازگشت Function Tips & Tricks Recursion.

• نکات و ترفندهای توابع: دکوراتورها و توابع مرتبه بالاتر Function Tips & Tricks Functions Decorators and Higher Order Functions.

• نکات و ترفندهای توابع: توابع لامبدا Functions Tips & Tricks Lambda Functions.

• نکات و ترفندهای توابع: کشینگ و میمویزیشن Function Tips & Tricks Functions Caching & Memoization.

• مدیریت خطا در پایتون Error Handling in Python.

• فایل‌ها و ماژول‌ها در پایتون Files and Modules in Python.

یادآوری مباحث دسترسی، دستکاری و فیلتر کردن دیتافریم‌ها Accessing, Manipulating & Filtering DataFrames Lectures Refresher.

• دستکاری داده‌ها با استفاده از دیتافریم‌ها Data manipulation using DataFrames.

• دسترسی به داده‌ها با استفاده از دیتافریم‌ها Accessing Data Using DataFrames.

• تجمیع و خلاصه‌سازی داده‌ها Data aggregation and summarization.

• ایجاد ستون‌های جدید، حذف ستون‌های غیرضروری و انجام دستکاری‌های مختلف داده Create New Columns, Drop Unnecessary Ones, and Perform Various Data Manipulation

• تکنیک‌های اساسی برای بررسی و توصیف داده‌های ما در پایتون Essential Techniques for Peeking at & Describing our Data in Python.

• فیلتر کردن داده‌ها Filtering Data.

یادآوری بصری‌سازی داده‌ها Data Visualization Refresher.

• مقدمه‌ای بر بصری‌سازی داده‌ها در پایتون Introduction to Data Visualization in Python.

• هیستوگرام‌ها – ابزاری قدرتمند برای تجسم توزیع داده‌ها Histograms – a Powerful Tool for Visualizing the Distribution of Data.

• تجسم روندها با استفاده از داده‌های مالی واقعی Visualizing Trends using a Real-World Financial Data.

• تعیین و انتخاب نوع نمودار مناسب Determining and Choosing the Appropriate Plot Type.

تحلیل سری‌های زمانی داده‌های مالی با پایتون Time Series Analysis of Financial Data using Python.

• مجموعه داده‌های استفاده شده در این بخش Datasets used in this Section.

• مقدمه‌ای بر تحلیل سری‌های زمانی Introduction to Time Series Analysis.

• ایجاد، تبدیل تاریخ و زمان از رشته‌ها و دستکاری داده‌های تاریخ و زمان Creating, Converting Datetimes from Strings & Manipulating Datetime Data.

• دسترسی به ویژگی‌های تاریخ و زمان، مقایسه تاریخ و زمان، و ساخت تاریخ و زمان نسبی Accessing Datetime Attributes, Comparing Datetimes, and Making Relative Datetime

• درک نرخ رشد سری‌های زمانی و مقایسه قیمت سهام با معیار Understanding Time Series Growth Rates & Comparing Stock Prices with a Benchmark

• تغییر فرکانس سری زمانی با افزایش نمونه‌برداری و درون‌یابی Changing Time Series Frequency By Up-Sampling & Interpolation.

• تغییر فرکانس سری زمانی و کاهش نمونه‌برداری Changing Time Series Frequency & Down-Sampling.

• توابع پنجره‌ای در تحلیل سری‌های زمانی Window Functions in Time Series Analysis.

• تحلیل سری قیمت سهام با وقفه‌ها Stock Price Series Analysis with Lags.

یادآوری یادگیری ماشین ML Refresher.

• مقدمه‌ای بر یادگیری ماشین Introduction to ML.

• گردش کار یادگیری با نظارت The Supervised Learning Workflow.

• اندازه‌گیری عملکرد مدل Measuring Model Performance.

• مقدمه‌ای بر رگرسیون Introduction to Regression.

• مبانی رگرسیون خطی و عملکرد رگرسیون The Basics of Linear regression & Regression Performance.

• اعتبارسنجی متقابل برای R-squared و تحلیل معیارهای اعتبارسنجی متقابل Cross-validation for R-squared & Analyzing Cross-Validation Metrics.

• رگرسیون منظم شده Regularized Regression.

• الگوریتم‌های یادگیری ماشین با نظارت: دسته‌بندی k-نزدیکترین همسایه The k-Nearest Neighbors Classification Supervised ML Learning Algorithms.

• مدل شما چقدر خوب است؟ و چگونه از دسته‌بندی‌کننده جنگل تصادفی استفاده کنیم؟ How Good is your Model? and How to use Random Forest Classifier?

• رگرسیون لجستیک و منحنی ROC Logistic Regression and the ROC Curve.

• تنظیم هایپرپارامتر با GridSearchCV و RandomizedSearchCV Hyperparameter Tuning with GridSearchCV & RandomizedSearchCV.

• پیش‌پردازش داده‌ها و ایجاد متغیرهای گسسته برای متغیرهای دسته‌بندی شده Preprocessing Data and Creating Dummy Variable for Categorical Data Variables.

• مدیریت داده‌های گمشده و ایجاد پایپ‌لاین یادگیری ماشین Handling Missing Data And Creating The ML Pipeline.

• تکنیک‌های مرکزگذاری و مقیاس‌گذاری در الگوریتم‌های یادگیری ماشین با نظارت Centering and Scaling Techniques in ML Supervised Learning Algorithms.

• ارزیابی چندین مدل با مثال Evaluating Multiple Models with Examples.

• مقایسه مدل‌ها Comparing Models.

• رگرسیون لجستیک و ماشین‌های بردار پشتیبان برای دسته‌بندی متن Logistic Regression and Support Vector Machines for Text Classification.

• دسته‌بندی‌کننده خطی و مرزهای تصمیم Linear Classifier & Decision Boundaries.

• دسته‌بندی‌کننده‌های خطی و ضرایب Linear Classifiers & The Coefficients.

• تابع زیان چیست؟ What is The Loss Function?

• نمودارهای تابع زیان Loss Function Diagrams.

• رگولاریزاسیون رگرسیون لجستیک و شناسایی نقدهای منفی Logistic Regression Regularization & Identifying Negative Reviews.

• رگرسیون لجستیک و احتمالات Logistic Regression and Probabilities.

• رگرسیون لجستیک چندکلاسه Multi-class Logistic Regression.

• یادگیری بدون نظارت: مبانی خوشه‌بندی Unsupervised Learning The Fundamentals of Clustering.

• ارزیابی و بهینه‌سازی خوشه‌بندی Clustering Evaluation & Optimization.

• تبدیل ویژگی‌ها برای خوشه‌بندی بهتر و خوشه‌بندی سهام با استفاده از KMeans Transforming Features for Better Clustering & Clustering Stocks Using KMeans.

• خوشه‌بندی سلسله‌مراتبی و تجسم سلسله‌مراتب Hierarchical Clustering & Visualizing Hierarchies.

• t-SNE برای نقشه‌های دو بعدی t-SNE for 2-dimensional maps.

• تجسم تبدیل PCA و محاسبه واریانس توضیح داده شده تجمعی Visualizing The PCA Transformation & Calculating Cumulative Explained Variance.

• کاهش ابعاد با PCA Dimension Reduction with PCA.

• کاهش ابعاد با PCA و فاکتورسازی ماتریس نامنفی (NMF) Dimension Reduction with PCA and Non-negative Matrix Factorization (NMF).

• مرور تمام کدهای پایتون یادگیری ماشین دوره از اینجا Review All Course Python ML Code From Here.

پروژه بازاریابی یادگیری ماشین: ساخت سیستم توصیه‌گر با استفاده از NMF ML Marketing Project: Building Recommender System using NMF.

• یادگیری نحوه ساخت سیستم توصیه‌گر با استفاده از NMF! Learn How to Building Recommender System using NMF!

بخش جایزه Bonus

• سپاسگزارم Thank you.