در حال حاضر محصولی در سبد خرید شما وجود ندارد.
با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با پایتون یاد می گیرید.
عنوان اصلی : Customer Analytics in Python
1. معرفی مختصر بازاریابی:
Marketing Mix - 365 Data Science
خرده فروشان فیزیکی و آنلاین - شباهت ها و تفاوت ها. - 365 علم داده
کشش قیمت - 365 علم داده
بخش بندی، هدف گذاری، موقعیت یابی - 365 علم داده
10. مدل سازی مقدار خرید:
محاسبه کشش قیمت مقدار خرید - 365 علم داده
آماده سازی داده ها و برازش مدل - 365 Data Science
کشش قیمت مقدار خرید - نتایج - 365 علم داده
خرید مدل های کمیت. مدل - رگرسیون خطی - 365 علم داده
11. یادگیری عمیق:
متعادل کردن مجموعه داده - 365 Data Science
کاوش در مجموعه داده - 365 Data Science
چگونه می خواهیم با پرونده تجاری مقابله کنیم - 365 Data Science
چگونه می خواهیم با پرونده تجاری مقابله کنیم - 365 Data Science_2
مقدمه ای بر یادگیری عمیق برای تجزیه و تحلیل مشتریان - 365 Data Science
بدست آوردن احتمال تبدیل مشتری - 365 Data Science
تشریح مدل یادگیری عمیق - 365 Data Science
پیش بینی بر روی داده های جدید - 365 علم داده
پیش پردازش داده ها برای یادگیری عمیق - 365 Data Science
ذخیره مدل و آماده سازی برای استقرار - 365 Data Science
تست مدل - 365 Data Science
آموزش مدل یادگیری عمیق - 365 Data Science
2. داده های بخش بندی:
آشنایی با مجموعه داده های تقسیم بندی - 365 Data Science
واردات و کاوش داده های تقسیم بندی - 365 Data Science
استانداردسازی داده های تقسیم بندی - 365 علم داده
3. خوشه بندی سلسله مراتبی:
خوشه بندی سلسله مراتبی - پیشینه - 365 علم داده
خوشه بندی سلسله مراتبی- پیاده سازی و نتایج - 365 علم داده
4. K-Means Clustering:
K-Means Clustering- Application - 365 Data Science
K-Means Clustering- Background - 365 Data Science
K-Means Clustering- Results - 365 Data Science
5. خوشه بندی K-Means بر اساس تجزیه و تحلیل مؤلفه اصلی:
K-Means Clustering with Principal Components- Application - 365 Data Science
K-Means Clustering with Principal Components - Results - 365 Data Science
تجزیه و تحلیل مؤلفه های اصلی - کاربردی - 365 علم داده
تجزیه و تحلیل مؤلفه های اصلی - پیشینه - 365 علم داده
تجزیه و تحلیل مؤلفه های اصلی - نتایج - 365 علم داده
Saving the Models - 365 Data Science
6. داده های خرید:
بکارگیری مدل تقسیم بندی - 365 Data Science
واردات و کاوش داده های خرید - 365 Data Science
خرید تجزیه و تحلیل - مقدمه - 365 Data Science
7. تحلیل های توصیفی بر اساس بخش ها:
انتخاب برند - 365 Data Science
تشریح درآمد بر اساس بخش - 365 Data Science
خرید تجزیه و تحلیل آمار توصیفی- مناسبت خرید و خرید بروز - 365 علم داده
خرید تجزیه و تحلیل آمار توصیفی - نسبت بخش - 365 علم داده
8. مدل سازی بروز خرید:
محاسبه کشش قیمت با ارتقا - 365 Data Science
محاسبه کشش قیمت احتمال خرید - 365 علم داده
مقایسه کشش قیمت با و بدون تبلیغات - 365 Data Science
برآورد مدل - 365 Data Science
مجموعه داده را برای رگرسیون لجستیک - 365 Data Science آماده کنید
کشش قیمت احتمال خرید - نتایج - 365 علم داده
مدل های بروز خرید. مدل - رگرسیون لجستیک دو جمله ای - علم داده 365
احتمال خرید بر اساس بخش ها - 365 Data Science
مدل احتمال خرید با تبلیغات - 365 Data Science
9. مدل سازی انتخاب برند:
مدل های انتخاب برند مدل - رگرسیون لجستیک چند جمله ای - علم داده 365
کشش انتخاب برند متقاطع - 365 Data Science
تفسیر ضرایب - 365 علم داده
کشش خود و قیمت متقابل بر اساس بخش - 365 علم داده
کشش خود و قیمت متقاطع بر اساس بخش - مقایسه - 365 علم داده
کشش انتخاب برند قیمت شخصی - 365 Data Science
داده ها را آماده کنید و مدل - 365 Data Science را متناسب کنید
Customer Analytics in Python
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
اطلاع رسانی حذف دوره های قدیمی و تخفیفات نوروزی مشاهده