پیش‌بینی سفارش در شبکه خرده‌فروشی

پروژه
8
12 ساعت

اگر به پیش‌بینی و مدلسازی از نوع classification با استفاده از داده‌های واقعی در خرده‌فروشی، تجارت الکترونیک، اف‌ام‌سی‌جی‌ها و مارکت‌پلیس‌ها علاقه‌مندید، انجام این پروژه فرصتی عالی برای دست‌و‌پنجه‌نرم‌کردن با مسائل علوم داده در یک کسب‌وکار است.

داده‌هایی که در اختیار شما قرار می‌گیرد، حاصل رفتار واقعی شبکه‌ای از خرده‌فروشان است که پس از ناشناس‌سازی و تجمیع، برای این مسابقه آماده شده‌اند. هدف شما ساخت مدلی است که بتواند با استفاده از سوابق خرید هر خرده‌فروش، احتمال ثبت سفارش برند هدف را در آینده پیش‌بینی کند؛ مسئله‌ای که در عمل برای هدفمند کردن کمپین‌های فروش، افزایش بهره‌وری تیم‌های بازاریابی و تخصیص بهینه منابع مورد استفاده قرار می‌گیرد.
این پروژه فرصتی مناسب برای دانشجویان، تحلیلگران داده و متخصصان یادگیری ماشین است تا توانایی خود را در کار با داده‌های واقعی، مهندسی ویژگی، اعتبارسنجی مدل‌ها و طراحی یک راه‌حل‌ جامع پیش‌بینی به محک بگذارند.

اهداف

  • حل یک مسئله واقعی پیش‌بینی در حوزه خرده‌فروشی
  • تمرین طراحی و ارزیابی مدل‌های یادگیری ماشین
  • تقویت مهارت مهندسی ویژگی و تحلیل داده
  • کسب تجربه کار با داده‌های واقعی
  • آشنایی با اصول اعتبارسنجی و جلوگیری از نشت داده
  • توسعه توانایی تبدیل مسائل کسب‌وکار به یک راه‌حل مبتنی داده‌
  • ساخت یک نمونه‌کار ارزشمند در علوم داده و یادگیری ماشین

فهرست:

3 درس12h

شرح پروژه

طرح مسئله
دریافت داده‌ها
توضیحات روش‌شناختی
تحویل نهایی

وحید شمس‌الدینی

مدیر علوم داده و تحلیل در شرکت زرینو

کارشناسی ارشد علوم کامپیوتر دانشگاه تهران، کارشناسی ریاضیات کاربردی دانشگاه صنعتی شریف

0 (0 نظر)

1 دوره ها

8 دانشجو

نظرات

داده‌ها

  • داده‌های گمنام‌سازی شده شرکت پین‌دیس

پیش‌نیاز

  • آشنایی با Python یا R
  • آشنایی کتابخانه‌های مورد نیاز برای پردازش و مدلسازی داده
  • آشنایی با مفاهیم تحلیل اکتشافی داده (EDA) و پاک‌سازی داده‌ها
  • آشنایی با مفاهیم یادگیری ماشین نظارت‌شده (Supervised Learning) و مدل‌های classification
  • آشنایی با مفاهیم اعتبارسنجی مدل (Train/Test Split، Cross Validation)
  • آشنایی با معیارهای ارزیابی مدل‌های دسته‌بندی، به‌ویژه Precision، Recall، ROC-AUC و PR-AUC
  • توانایی مهندسی ویژگی (Feature Engineering) و انتخاب ویژگی‌های مناسب
  • آشنایی اولیه با مسئله نامتوازن بودن کلاس‌ها (Imbalanced Classification)
  • توانایی مستندسازی و ارائه مختصر توضیحات روش‌شناسی

مخاطبین

  • متخصصین علوم داده
  • متخصصین یادگیری ماشین
  • تحلیلگران داده
  • دانش‌آموختگان آمار و ریاضیات کاربردی
  • تحلیلگران داده‌های کسب‌وکار
Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors