سبق 1ਸਮੱਸਿਆ ਫ੍ਰੇਮਿੰਗ: ਬਾਈਨਰੀ ਕਲਾਸੀਫਿਕੇਸ਼ਨ, ਕਲਾਸ ਅਸੰਤੁਲਨ ਵਿਚਾਰ, ਬੇਸਲਾਈਨ ਮਾਡਲਕਨਵਰਜ਼ਨ ਪ੍ਰੇਡਿਕਸ਼ਨ ਨੂੰ ਬਾਈਨਰੀ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਸਮੱਸਿਆ ਵਜੋਂ ਫ੍ਰੇਮ ਕਰਨਾ ਸਿੱਖੋ, ਪਾਜ਼ਿਟਿਵ ਘਟਨਾਵਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਕਲਾਸ ਅਸੰਤੁਲਨ ਹੈਂਡਲ ਕਰੋ, ਸਾਧਾਰਨ ਬੇਸਲਾਈਨ ਬਣਾਓ ਅਤੇ ਸਮੱਸਿਆ ਸੈੱਟਅਪ ਅਸਲ ਮਾਰਕੀਟਿੰਗ ਕਾਰਜਾਂ ਅਤੇ ਡਾਟਾ ਸੀਮਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
Defining the conversion event preciselyLabel windows and lookback periodsTrain–test splits aligned to campaignsBaseline models and naive heuristicsImpact of class imbalance on framingDocumenting assumptions for stakeholdersسبق 2ਓਪਰੇਸ਼ਨਲ ਵਿਚਾਰ: ਸਕੋਰਿੰਗ ਲੇਟੈਂਸੀ, ਬੈਚ ਵਰਸਸ ਆਨਲਾਈਨ ਸਕੋਰਿੰਗ, ਰੀਟ੍ਰੇਨਿੰਗ ਕੈਡੈਂਸਕਨਵਰਜ਼ਨ ਮਾਡਲਾਂ ਨੂੰ ਸਰਵ ਕਰਨ ਦੇ ਓਪਰੇਸ਼ਨਲ ਪਹਿਲੂਆਂ ਸਿੱਖੋ, ਜਿਸ ਵਿੱਚ ਸਕੋਰਿੰਗ ਲੇਟੈਂਸੀ, ਬੈਚ ਵਰਸਸ ਆਨਲਾਈਨ ਸਕੋਰਿੰਗ, ਰੀਟ੍ਰੇਨਿੰਗ ਕੈਡੈਂਸ, ਮਾਨੀਟਰਿੰਗ ਸ਼ਾਮਲ ਹੈ ਅਤੇ ਇਹ ਚੋਣਾਂ ਕਿਰਿਆਸ਼ੀਲ ਵਰਕਫਲੋ ਅਤੇ ਮਾਰਕੀਟਿੰਗ ਆਟੋਮੇਸ਼ਨ ਸਿਸਟਮਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਤ ਕਰਦੀਆਂ ਹਨ।
Batch scoring for campaign listsReal-time scoring in ad platformsLatency budgets and SLAsScheduling retraining and backfillsMonitoring drift and performanceVersioning models and score outputsسبق 3ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ: ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ, ਕੋਏਫਿਸ਼ੀਐਂਟਸ ਦੀ ਵਿਆਖਿਆ, ਕੈਲੀਬ੍ਰੇਸ਼ਨਕਨਵਰਜ਼ਨ ਪ੍ਰੇਡਿਕਸ਼ਨ ਲਈ ਬੇਸਲਾਈਨ ਅਤੇ ਪ੍ਰੋਡਕਸ਼ਨ ਮਾਡਲ ਵਜੋਂ ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਅਧਿਐਨ ਕਰੋ, ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ, ਫੀਚਰ ਐਨਕੋਡਿੰਗ, ਕੋਏਫਿਸ਼ੀਐਂਟ ਵਿਆਖਿਆ ਅਤੇ ਭਰੋਸੇਯੋਗ ਮਾਰਕੀਟਿੰਗ ਫੈਸਲਾ ਸਹਾਇਕ ਲਈ ਸੰਭਾਵਨਾ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਕੇ।
Feature scaling and encoding choicesL1 vs L2 regularization trade-offsInterpreting coefficients as odds ratiosInteraction terms for marketing effectsDetecting multicollinearity issuesLogistic regression as a calibration toolسبق 4ਕਲਾਸ ਅਸੰਤੁਲਨ ਹੈਂਡਲ ਕਰਨਾ: ਰੀਸੈਂਪਲਿੰਗ, ਕਲਾਸ ਵੇਟਸ, ਫੋਕਲ ਲੌਸ, ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਨੁਕੂਲਨਕਨਵਰਜ਼ਨ ਡਾਟਾ ਵਿੱਚ ਕਲਾਸ ਅਸੰਤੁਲਨ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਤਕਨੀਕਾਂ ਵਿੱਚ ਮਾਹਰ ਬਣੋ, ਜਿਸ ਵਿੱਚ ਰੀਸੈਂਪਲਿੰਗ, ਕਲਾਸ ਵੇਟਸ, ਫੋਕਲ ਲੌਸ ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਨੁਕੂਲਨ ਸ਼ਾਮਲ ਹੈ, ਮੈਟ੍ਰਿਕਸ ਮਾਨੀਟਰ ਕਰਦੇ ਹੋਏ ਅਤੇ ਘੱਟ ਕਨਵਰਟਰਾਂ ਨੂੰ ਅਣਡੋਖੇ ਛੱਡਣ ਵਾਲੇ ਬਾਇਅਸਡ ਮਾਡਲਾਂ ਤੋਂ ਬਚਦੇ ਹੋਏ।
Diagnosing imbalance and its impactsRandom over- and undersamplingSMOTE and advanced resampling methodsUsing class weights in model trainingFocal loss for rare event emphasisThreshold tuning for business goalsسبق 5ਮਾਡਲ ਵਿਆਖਿਆਯੋਗਤਾ: SHAP, LIME, ਫੀਚਰ ਇੰਪਾਰਟੈਂਸ, ਮਾਰਕੀਟਿੰਗ ਵਿਆਖਿਆ ਨਾਲ ਪਾਰਸ਼ਲ ਡਿਪੈਂਡੈਂਸ ਪਲੌਟਸਕਨਵਰਜ਼ਨ ਮਾਡਲਾਂ ਨੂੰ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਮਾਡਲ ਵਿਆਖਿਆਯੋਗਤਾ ਟੂਲਾਂ ਦੀ ਖੋਜ ਕਰੋ, SHAP, LIME, ਫੀਚਰ ਇੰਪਾਰਟੈਂਸ ਅਤੇ ਪਾਰਸ਼ਲ ਡਿਪੈਂਡੈਂਸ ਪਲੌਟਸ ਵਰਤ ਕੇ ਤਕਨੀਕੀ ਆਊਟਪੁਟ ਨੂੰ ਸਾਫ਼ ਮਾਰਕੀਟਿੰਗ ਇਨਸਾਈਟਸ ਅਤੇ ਕਿਰਿਆਸ਼ੀਲ ਅਨੁਕੂਲਨ ਵਿਚਾਰਾਂ ਵਿੱਚ ਬਦਲੋ।
Global vs local explanations in practiceTree-based feature importance pitfallsUsing SHAP for lead scoring insightsLIME for explaining single predictionsPartial dependence and ICE plotsTranslating explanations to actionsسبق 6ਕ੍ਰੌਸ-ਵੈਲੀਡੇਸ਼ਨ ਰਣਨੀਤੀਆਂ: K-ਫੋਲਡ, ਸਟ੍ਰੈਟੀਫਾਈਡ, ਕਿਰਿਆਸ਼ੀਲ ਡਾਟਾ ਲਈ ਟਾਈਮ-ਸੀਰੀਜ਼ CVਮਾਰਕੀਟਿੰਗ ਡਾਟਾ ਲਈ ਤਾਕਤਵਰ ਕ੍ਰੌਸ-ਵੈਲੀਡੇਸ਼ਨ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੇ ਤਰੀਕੇ ਸਮਝੋ, ਜਿਸ ਵਿੱਚ ਸਟ੍ਰੈਟੀਫਾਈਡ ਅਤੇ ਸਮੇਂ-ਅਜਾਹ ਸਕੀਮਾਂ, ਲੀਕੇਜ ਰੋਕ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਨਿਰਪੱਖ ਢੰਗ ਨਾਲ ਮੁਲਾਂਕਣ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ ਕਿਰਿਆਸ਼ੀਲਾਂ, ਚੈਨਲਾਂ ਅਤੇ ਗਾਹਕ ਸੈਗਮੈਂਟਸ ਵਰਗੇ ਸਮੇਂ ਰਾਹੀਂ।
Standard K-fold vs stratified K-foldTime-based CV for evolving behaviorAvoiding leakage from future campaignsGrouping by user or account in CVEvaluating stability across foldsPractical CV setup in Pythonسبق 7ਮਾਡਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਗਾਹਕਾਂ ਦੇ ਸਕੋਰਿੰਗ ਲਈ ਸੰਭਾਵਨਾ ਸਕੇਲਿੰਗ (ਪਲੈਟ ਸਕੇਲਿੰਗ, ਆਈਸੋਟੌਨਿਕ ਰਿਗ੍ਰੈਸ਼ਨ)ਕਨਵਰਜ਼ਨ ਸਕੋਰਿੰਗ ਲਈ ਕੈਲੀਬ੍ਰੇਟਡ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਮਹੱਤਵ ਕਿਉਂ ਹੈ ਸਮਝੋ, ਅਤੇ ਖਰੜੇ ਸਕੋਰਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਸੰਭਾਵਨਾਵਾਂ ਵਿੱਚ ਐਡਜਸਟ ਕਰਨ ਲਈ ਪਲੈਟ ਸਕੇਲਿੰਗ ਅਤੇ ਆਈਸੋਟੌਨਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਵਰਗੀਆਂ ਵਿਹਾਰਕ ਵਿਧੀਆਂ ਸਿੱਖੋ ਜੋ ਟਾਰਗੇਟਿੰਗ ਅਤੇ ਬਜਟਿੰਗ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
Why probability calibration mattersReliability diagrams and Brier scorePlatt scaling with logistic regressionIsotonic regression for flexible scalingCalibrating tree ensembles in practiceUsing calibrated scores in decision rulesسبق 8ਟ੍ਰੀ-ਅਧਾਰਤ ਮਾਡਲ: ਡਿਸੀਜ਼ਨ ਟ੍ਰੀਜ਼, ਰੈਂਡਮ ਫੌਰੈਸਟਸ, ਗ੍ਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ (XGBoost/LightGBM/CatBoost) ਟਿਊਨਿੰਗ ਬੇਸਿਕਸਕਨਵਰਜ਼ਨ ਪ੍ਰੇਡਿਕਸ਼ਨ ਲਈ ਟ੍ਰੀ-ਅਧਾਰਤ ਮਾਡਲਾਂ ਵਿੱਚ ਡੁੱਬੋ, ਜਿਸ ਵਿੱਚ ਡਿਸੀਜ਼ਨ ਟ੍ਰੀਜ਼, ਰੈਂਡਮ ਫੌਰੈਸਟਸ ਅਤੇ ਗ੍ਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਸ਼ਾਮਲ ਹੈ। ਕੋਰ ਹਾਈਪਰਪੈਰਾਮੀਟਰਜ਼, ਟਿਊਨਿੰਗ ਬੇਸਿਕਸ ਅਤੇ ਪਰਫਾਰਮੈਂਸ, ਵਿਆਖਿਆਯੋਗਤਾ ਅਤੇ ਓਪਰੇਸ਼ਨਲ ਲਾਗਤ ਨੂੰ ਬੈਲੰਸ ਕਰਨਾ ਸਿੱਖੋ।
Decision tree depth and regularizationRandom forest bagging and parametersGradient boosting learning rate choicesKey XGBoost and LightGBM settingsCatBoost for categorical marketing dataAvoiding overfitting in tree ensemblesسبق 9ਮੁਲਾਂਕਣ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਬਿਜ਼ਨਸ-ਐਲਾਈਨਡ ਚੋਣਾਂ: ਐਕਸੈਂਸੀ, ਪ੍ਰੈਸੀਜ਼ਨ, ਰੀਕਾਲ, F1, AUC-ROC, AUC-PR, ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਐਰਰਕਨਵਰਜ਼ਨ ਮਾਡਲਾਂ ਲਈ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਚੁਣਨ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨਾ ਸਿੱਖੋ, ਉਹਨਾਂ ਨੂੰ ਕਿਰਿਆਸ਼ੀਲ ਟੀਚਿਆਂ ਨਾਲ ਜੋੜੋ, ਐਕਸੈਂਸੀ ਤੋਂ ਪਰੇ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਪ੍ਰੈਸੀਜ਼ਨ, ਰੀਕਾਲ, F1, AUC-ROC, AUC-PR ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਐਰਰ ਵਿਚਕਾਰ ਟ੍ਰੇਡ-ਆਫ਼ਸ ਸਮਝੋ।
Linking metrics to campaign objectivesConfusion matrix and derived measuresPrecision, recall, F1 for lead scoringAUC-ROC vs AUC-PR in rare eventsCalibration error and reliability curvesMetric selection for stakeholder reports
