Ilmu Data, Pembelajaran Mesin, dan Teknik Analisis Data untuk Pemasaran, Media Digital, Periklanan Online, dan Lainnya
Yang akan Anda pelajari
-
Gunakan algoritme adaptif untuk meningkatkan performa pengujian A/B
-
Pahami perbedaan antara statistik Bayesian dan frequentist
-
Terapkan metode Bayesian ke pengujian A/B
Persyaratan
-
Probabilitas (bersama, marginal, distribusi bersyarat, variabel acak kontinu dan diskrit, PDF, PMF, CDF)
-
Pengkodean python dengan Numpy
Deskripsi
Kursus ini membahas tentang pengujian A/B .
Pengujian A/B digunakan di mana saja. Pemasaran, ritel, umpan berita, iklan online, dan banyak lagi.
Pengujian A/B adalah tentang membandingkan berbagai hal.
Jika Anda seorang ilmuwan data, dan Anda ingin memberi tahu seluruh perusahaan, “logo A lebih baik daripada logo B”, Anda tidak bisa mengatakannya begitu saja tanpa membuktikannya menggunakan angka dan statistik.
Pengujian A/B tradisional sudah ada sejak lama, dan penuh dengan perkiraan dan definisi yang membingungkan.
Dalam kursus ini, sementara kita akan melakukan pengujian A/B tradisional untuk mengapresiasi kompleksitasnya, yang pada akhirnya akan kita dapatkan adalah cara pembelajaran mesin Bayesian dalam melakukan sesuatu.
Pertama, kita akan melihat apakah kita dapat meningkatkan pengujian A/B tradisional dengan metode adaptif. Ini semua membantu Anda memecahkan dilema eksplorasi-eksploitasi .
Anda akan belajar tentang algoritme epsilon-greedy , yang mungkin pernah Anda dengar dalam konteks pembelajaran penguatan .
Kami akan menyempurnakan algoritme greedy epsilon dengan algoritme serupa yang disebut UCB1.
Terakhir, kami akan menyempurnakan keduanya dengan menggunakan pendekatan Bayesian sepenuhnya.
Mengapa metode Bayesian menarik bagi kami dalam pembelajaran mesin?
Ini cara berpikir yang sama sekali berbeda tentang probabilitas.
Ini adalah perubahan paradigma.
Anda mungkin harus kembali ke kursus ini beberapa kali sebelum benar-benar meresap.
