آموزش یادگیری ماشین برای بازاریابان - آخرین آپدیت

دانلود Machine Learning for Marketers

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: دوره «یادگیری ماشین برای بازاریابان» یک دوره پیشرفته است که برای متخصصانی طراحی شده است که به دنبال ادغام یادگیری ماشین در استراتژی‌های بازاریابی خود هستند. این دوره به‌طور منحصر‌به‌فردی بر تحلیل‌های پیش‌بینانه و تصمیم‌گیری تمرکز دارد و از روش‌های یادگیری نظارت شده برای تحلیل و پیش‌بینی رفتار مشتری استفاده می‌کند. شرکت‌کنندگان یاد می‌گیرند تا تکنیک‌های پیشرفته یادگیری ماشین را پیاده‌سازی کنند، دقت پیش‌بینی‌ها را افزایش دهند و تصمیمات بازاریابی بهتری بگیرند. این دوره همچنین تحلیل کمپین‌ها را از طریق روش‌های تست دقیق مانند اعتبارسنجی متقاطع (Cross-Validation) پوشش می‌دهد تا از قابلیت اطمینان استراتژی‌های بازاریابی اطمینان حاصل شود. یکی از ویژگی‌های کلیدی این دوره، پوشش الگوریتم‌های یادگیری بدون نظارت است که یادگیرندگان را قادر می‌سازد الگوهای پنهان در داده‌های بازاریابی را برای بخش‌بندی پیشرفته مشتریان و تحلیل بازار کشف کنند. علاوه بر این، دوره به بهینه‌سازی جایگاه محصول با استفاده از تکنیک‌های کاهش ابعاد و بهبود تجربه‌های شخصی‌سازی شده مشتری از طریق فناوری سیستم‌های توصیه گر می‌پردازد.

سرفصل ها و درس ها

یادگیری نظارت شده برای بازاریابی استراتژیک Supervised Learning for Strategic Marketing

  • یادگیری نظارت شده Supervised Learning

  • ارزیابی عملکرد مدل پیش‌بینی Prediction Model Performance Evaluation

  • اعتبارسنجی متقاطع (CV) Cross-Validation (CV)

  • اعتبارسنجی متقاطع K-Fold K-Fold Cross-Validation (CV)

  • بهبود پیش‌بینی‌ها با یادگیری نظارت شده Improving Predictions with Supervised Learning

  • بصری‌سازی مقایسه‌های مدل Visualizing Model Comparisons

  • درخت‌های CART: یافتن یک تقسیم‌بندی اطلاعاتی CART Trees: Finding an Informative Split

تحلیل درخت تصمیم CART CART Tree Analysis

  • درخت‌های رگرسیون: رشد درخت‌های بزرگ‌تر Regression Trees: Growing Larger Trees

  • خواندن درخت‌های CART Reading CART Trees

  • درخت‌های طبقه‌بندی: بخش اول Classification Trees: Part 1

  • درخت‌های طبقه‌بندی: بخش دوم Classification Trees: Part 2

  • استفاده از درخت‌های طبقه‌بندی و درخت‌های علی برای پیش‌بینی، تبیین و هدف‌گذاری Using Classification Trees and Causal Trees for Prediction, Explanation, and Targeting

  • هدف‌گذاری بهینه با استفاده از درخت‌های علی Optimal Targeting Using Causal Trees

بهبود دقت پیش‌بینی‌ها Improving the Accuracy of Predictions

  • دقت و ماتریس اغتشاش برای یک طبقه‌بند Accuracy and Confusion Matrix for a Classifier

  • سایر الگوریتم‌های یادگیری نظارت شده: RF و GBM Other Supervised Learning Algorithms: RF, GBM

  • اسپلاین‌های رگرسیونی تطبیقی چندگانه (MARS) Multiple Adaptive Regression Splines (MARS)

  • ماشین‌های بردار پشتیبان (SVMs) Support Vector Machines (SVMs)

  • K-نزدیک‌ترین همسایه (KNN)، نایو بیز (NB) و یادگیری عمیق K Nearest Neighbors (KNN), Naïve Bayes (NB), and Deep Learning

  • ترکیب و مقایسه مدل‌ها: یادگیری پشته‌ای و مقایسه‌های مدل Combining and Comparing Models: Stacked Learning and Model Comparisons

یادگیری بدون نظارت Unsupervised Learning

  • یادگیری بدون نظارت: مقدمه Unsupervised Learning: Introduction

  • تحلیل مؤلفه‌های اصلی (PCA) و بای‌پلات‌ها Principal Components Analysis (PCA) and Biplots

  • تفسیر بای‌پلات‌ها Interpreting Biplots

  • نقشه‌های ادراکی Perceptual Maps

  • علت‌های پنهان: تحلیل عاملی Hidden Causes: Factor Analysis

  • سیستم‌های توصیه گر: ایده‌های اصلی Recommendation Systems: Main Ideas

نمایش نظرات

آموزش یادگیری ماشین برای بازاریابان
جزییات دوره
21h 57m
25
(آخرین آپدیت)
787
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده