آموزش یادگیری ماشینی برای بازاریابی

Machine Learning for Marketing

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 بازاریابی را بررسی می کند، در مورد مطالعات موردی یادگیری ماشینی مورد استفاده در بخش بازاریابی بحث می کند، و پیاده سازی های عملی تکنیک ها را بر روی داده های دنیای واقعی بررسی می کند... زمینه بازاریابی به طور پیوسته در حال تبدیل شدن است. برای چند دهه در حال حاضر کمی بیشتر است، و بنابراین آمادگی خوبی برای بهره مندی از پذیرش مدل ها و تکنیک های ML دارد. هوش مصنوعی همچنین به طور گسترده در بازاریابی برای درک بهتر و هدف قرار دادن مشتریان و ارائه تجربیات شخصی تر در کانال های فروش استفاده می شود. در این دوره آموزشی، یادگیری ماشینی برای بازاریابی، تکنیک‌های یادگیری ماشینی را که در حال حاضر توسط تیم‌های بازاریابی در سراسر صنایع استفاده می‌شود، بررسی خواهید کرد. ابتدا، آنچه را که گزارش گارتنر در مورد فناوری‌های متحول کننده در بازاریابی می‌گوید، بررسی می‌کنید و نمونه‌ها و مواردی را بررسی می‌کنید که ML در حال حاضر در بازاریابی استفاده می‌شود - برای تقسیم‌بندی مشتری، برای بهینه‌سازی قیمت، و برای تجربیات شخصی‌شده. سپس، شما همچنین درک بصری از نحوه عملکرد سیستم های توصیه ها با استفاده از فیلتر مبتنی بر محتوا و فیلتر مشارکتی خواهید داشت. در مرحله بعد، دو مطالعه موردی ML را از مقالات تحقیقاتی بررسی خواهید کرد - مورد اول به این موضوع می پردازد که چگونه می توان از تقسیم بندی مشتریان مبتنی بر هدف در صنعت بانکداری برای ارزیابی اعتبار مشتریان استفاده کرد. مطالعه موردی دوم بر قیمت گذاری پویا در حمل و نقل عمومی برای افزایش فروش و درآمد بلیط تمرکز خواهد کرد. در نهایت، کدنویسی عملی دریافت خواهید کرد و خواهید دید که چگونه می توانید از الگوریتم خوشه بندی k-means برای تقسیم بندی مشتریان با استفاده از داده های بازاریابی استفاده کنید. پس از اتمام این دوره، از نحوه استفاده از یادگیری ماشینی در بازاریابی آگاه خواهید شد و تجربه عملی کار با داده های بازاریابی را به دست خواهید آورد.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

بررسی کاربردهای یادگیری ماشینی در بازاریابی Exploring Applications of Machine Learning in Marketing

  • بررسی نسخه Version Check

  • پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

  • روند دیجیتال در بازاریابی Digital Trends in Marketing

  • موارد استفاده از ML در بازاریابی: تقسیم بندی مشتری Use Cases of ML in Marketing: Customer Segmentation

  • موارد استفاده از ML در بازاریابی: بهینه سازی قیمت Use Cases of ML in Marketing: Price Optimization

  • موارد استفاده از ML در بازاریابی: شخصی سازی Use Cases of ML in Marketing: Personalization

  • موارد استفاده از ML در بازاریابی: پیش بینی ارزش طول عمر مشتری Use Cases of ML in Marketing: Customer Lifetime Value Prediction

  • مروری بر سیستم های توصیه An Overview of Recommendation Systems

  • چالش ها و خطرات استفاده از ML در بازاریابی Challenges and Risks of Using ML in Marketing

مطالعه موردی: تقسیم بندی و کشف مشتری Case Study: Customer Segmentation and Discovery

  • تقسیم بندی مشتری: پس زمینه و زمینه Customer Segmentation: Background and Context

  • تقسیم بندی مشتری: تکنیک ها و مراحل Customer Segmentation: Techniques and Steps

  • تقسیم بندی مشتری: مهندسی داده و ویژگی Customer Segmentation: Data and Feature Engineering

  • تقسیم بندی مشتری: مدل ها و نتایج Customer Segmentation: Models and Results

مطالعه موردی: بهینه سازی قیمت با استفاده از قیمت گذاری پویا Case Study: Price Optimization Using Dynamic Pricing

  • قیمت گذاری پویا: پیشینه و روش Dynamic Pricing: Background and Methodology

  • قیمت گذاری پویا: داده های ورودی و مهندسی فرآیند Dynamic Pricing: Input Data and Process Engineering

  • قیمت گذاری پویا: مدل پیش بینی Dynamic Pricing: Prediction Model

  • قیمت گذاری پویا: استراتژی های قیمت گذاری و نتایج Dynamic Pricing: Pricing Strategies and Results

استفاده از تکنیک های یادگیری ماشین در داده های بازاریابی Applying Machine Learning Techniques to Marketing Data

  • مروری بر خوشه بندی An Overview of Clustering

  • K-به معنای خوشه بندی است K-means Clustering

  • نسخه ی نمایشی: آماده سازی و تمیز کردن داده ها Demo: Data Preparation and Cleaning

  • نسخه ی نمایشی: کاوش و تجسم داده ها Demo: Data Exploration and Visualization

  • نسخه ی نمایشی: استاندارد سازی و عادی سازی داده ها Demo: Standardizing and Normalizing Data

  • نسخه ی نمایشی: انجام K-means Clustering Demo: Performing K-means Clustering

  • نسخه ی نمایشی: تجسم خوشه ها Demo: Visualizing Clusters

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

نمایش نظرات

آموزش یادگیری ماشینی برای بازاریابی
جزییات دوره
1h 48m
26
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.