این دوره به شما میآموزد که چگونه از یادگیری عمیق برای تأثیرگذاری بر بازار خرده فروشی و شکل دادن به آینده خرده فروشی استفاده میشود.
آنچه خواهید آموخت:
هوش مصنوعی و یادگیری ماشینی میتوانند کمک به حل مشکلات پیچیده و شکل دادن به آینده خرده فروشی. در این دوره آموزشی، Deep Learning Application for Retail، خواهید آموخت که چگونه یادگیری عمیق در دنیای واقعی استفاده میشود تا نتایج کسب و کار بهتری را برای خرده فروشان به ارمغان بیاورد. ابتدا، چندین مورد کاربرد عملی برای یادگیری عمیق مانند تقسیمبندی مشتری، مدیریت موجودی و بهینهسازی قیمت را بررسی خواهید کرد. در مرحله بعد، یک مطالعه موردی در مورد موتورهای توصیه را بررسی خواهید کرد و کشف خواهید کرد که چگونه میتوان از توصیههای شخصیسازی شده محصول برای ارتقای فرصتهای فروش و فروش متقابل استفاده کرد. در نهایت، یاد خواهید گرفت که چگونه از یادگیری ماشینی برای کاهش ریزش مشتری و بهبود نتیجه شرکت خود استفاده کنید. وقتی این دوره را به پایان رساندید، درک بهتری از نحوه ادغام یادگیری عمیق در زندگی روزمره ما خواهید داشت و چگونه میتوان از آن برای موفقیت بیشتر کسب و کارهای خرده فروشی استفاده کرد.
نمونه ویدیوی آموزشی ( زیرنویسها جدا از ویدیو است و میتوانید آنرا نمایش ندهید ) :
[ENGLISH]
01 Course Overview [2mins]
01-01 Course Overview [2mins]
02 Deep Learning in Retail Applications [23mins]
02-01 Use Case: Customer Segmentation [5mins]
02-02 Use Case: Inventory Management [3mins]
02-03 Use Case: Product Image Classification [3mins]
02-04 Use Case: Price Optimization [3mins]
02-05 Data Collection [5mins]
02-06 Current Trends [4mins]
03 Case Study: Recommendation Systems [14mins]
03-01 Framing the Problem [4mins]
03-02 Implementation [3mins]
03-03 Results [4mins]
03-04 Tips for Success [3mins]
04 Case Study: Churn Prediction [18mins]
04-01 Framing the Problem [3mins]
04-02 Implementation [7mins]
04-03 Results [5mins]
04-04 Tips for Success [3mins]
05 Summary [5mins]
05-01 Summary [5mins]
[فارسی]
01 بررسی اجمالی دوره [2 دقیقه]
01-01 بررسی اجمالی دوره [2 دقیقه]
02 یادگیری عمیق در برنامههای خرده فروشی [23 دقیقه]
02-01 مورد استفاده- تقسیمبندی مشتری [5 دقیقه]
02-02 مورد استفاده- مدیریت موجودی [3 دقیقه]
02-03 مورد استفاده- طبقهبندی تصویر محصول [3 دقیقه]
02-04 مورد استفاده- بهینهسازی قیمت [3 دقیقه]
02-05 جمع آوری دادهها [5 دقیقه]
02-06 روندهای فعلی [4 دقیقه]
03 مطالعه موردی- سیستمهای توصیه [14 دقیقه]
03-01 قاب کردن مشکل [4 دقیقه]
03-02 پیادهسازی [3 دقیقه]
03-03 نتایج [4 دقیقه]
03-04 نکاتی برای موفقیت [3 دقیقه]
04 مطالعه موردی- پیشبینی Churn [18 دقیقه]
04-01 قاب کردن مشکل [3 دقیقه]
04-02 پیادهسازی [7 دقیقه]
04-03 نتایج [5 دقیقه]
04-04 نکاتی برای موفقیت [3 دقیقه]
05 خلاصه [5 دقیقه]
05-01 خلاصه [5 دقیقه]
ترنت دارای مدرک کارشناسی ارشد در سیستمهای اطلاعاتی از دانشگاه بریگام یانگ است و به دادههای همه چیز علاقه دارد. وقتی با کامپیوترش کار نمیکند از دوچرخههای خاکی، پروژههای DIY و گذراندن وقت با خانواده و دوستان لذت میبرد.