Uplit modeling: подход, который меняет правила игры в машинном обучении

Детальный разбор uplift modeling — революционного подхода в машинном обучении, который позволяет не просто предсказывать события, а понимать, произойдут ли они именно благодаря вашему воздействию. Дмитрий Сорока, Data scientist и Head of data в Элдик Банк, объясняет теорию и практические аспекты применения uplift моделей. В видео рассматриваются: 🔳 Фундаментальные принципы uplift modeling и отличия от классических подходов 🔳 Сегментация клиентов: убеждаемые, определившиеся, потерянные и "спящие собаки" 🔳 Практические методы: T-Learner, S-Learner и Uplift Trees 🔳 Применение в маркетинге, CRM и оптимизации рекламных кампаний 🔳 Метрики оценки качества и интерпретация результатов Доклад будет полезен ML инженерам, аналитикам данных, маркетологам и всем, кто занимается причинно-следственным анализом в бизнесе. Задавайте вопросы и делитесь своим опытом применения моделей машинного обучения в комментариях! ВНИМАНИЕ❗️ Запись начинается не с самого начала мероприятия. Часть вступления или начальной дискуссии может отсутствовать. ТАЙМ-КОДЫ 0:00 - 2:02 Введение и презентация спикера 2:02 - 5:36 Основы uplift modeling 5:36 - 9:02 Практические примеры и A/B тестирование 9:02 - 12:09 Персонализация и базовые модели 12:09 - 15:09 S-Learner: единая модель с treatment признаком 15:09 - 20:30 Анализ распределения и ограничения S-Learner 20:30 - 25:44 Калибровка моделей 25:44 - 28:46 T-Learner: подход с двумя отдельными моделями 28:46 - 31:23 Продвинутые техники и гипотезы 31:23 - 35:09 Метрики оценки и кумулятивные кривые 35:09 - 37:01 Библиотеки и инструменты для uplift modeling 37:01 - 38:47 Реальные кейсы применения и заключение ССЫЛКИ 🔗 #machinelearning #ml #machinelearningmodels #uplift #upliftmodel