دوره آموزشی پایتون برای بازاریابی (2019)
1 ساعت 45 دقیقهمتوسط2019-11-12
مدرسین

Nick Duddy
Founder of Miratrix, a search and app marketing agency

Madecraft
Full-Service Learning Content Company
جزئیات دوره
تجزیه و تحلیل بازاریابی خود را با پایتون به سطح بعدی ببرید. ویژگی هایی که پایتون را برای دانشمندان داده بسیار مفید می کند، همان ویژگی هایی است که بازاریابان می توانند برای درک بهتر مشتریان، عملکرد محصول، رقابت و بازار خود از آنها استفاده کنند. در این دوره آموزشی Madecraft، می توانید یاد بگیرید که چگونه از پایتون برای بهبود بازاریابی در کسب و کار خود استفاده کنید. نحوه وارد کردن و پاکسازی دادهها از منابعی مانند Google Analytics و Facebook، ادغام مجموعه دادهها، ایجاد تجسمهای دقیق، تجزیه و تحلیل دادههای سری زمانی، و ایجاد معیارها و هشدارهای سفارشی برای فعالیتهای بازاریابی خود را کشف کنید. مربی نیک دادی نشان میدهد که چگونه میتوان این تکنیکها و کتابخانههای مفید پایتون مانند پانداها و سیبورن را برای انجام تجزیه و تحلیل بازار، پیشبینی رفتار مصرفکننده، ارزیابی رقابت، نظارت بر روندهای بازار و موارد دیگر ترکیب کرد.
اهداف یادگیری
مزایای پایتون برای بازاریابی
وارد کردن داده ها
تجسم داده ها
پاک کردن داده ها
جایگزینی داده های از دست رفته
ادغام مجموعه داده ها
ایجاد نمودار و نمودار پراکندگی با پایتون
ارزیابی داده های سری زمانی
محاسبه معیارها
فیلتر کردن داده ها
ایجاد هشدار
اهداف یادگیری
مزایای پایتون برای بازاریابی
وارد کردن داده ها
تجسم داده ها
پاک کردن داده ها
جایگزینی داده های از دست رفته
ادغام مجموعه داده ها
ایجاد نمودار و نمودار پراکندگی با پایتون
ارزیابی داده های سری زمانی
محاسبه معیارها
فیلتر کردن داده ها
ایجاد هشدار
مهارت ها
PythonEssential TrainingProgramming LanguagesOpen SourceSoftware Development
سرفصل ها
0. مقدمه
- 01 - بازاریابی خود را با پایتون تسریع کنید
1. نقش پایتون در بازاریابی
- 02 - پیش نیازها
- 03 - چرا پایتون برای بازاریابان عالی است
- 04 - چرا پایتون برای بازاریابان ارزشمند است
2. بارگیری و کاوش داده های شما
- 05 - آشنایی با پانداها
- 06 - نصب Jupyter
- 07 - وارد کردن داده های Google Analytics
- 08 - وارد کردن داده های کنسول جستجوی گوگل
- 09 - وارد کردن داده های فیس بوک و ادوردز
- 10 - دسترسی به Google Trends API
- 11 - تجسم داده های گوگل
- 12 - ترسیم اطلاعات فیس بوک و تبلیغات گوگل
- 13 - تجسم داده های Google Trends
3. پاکسازی، مشاجره، و پیوستن به داده های شما
- 14 - مقدمه ای بر جدال داده ها
- 15 - تعمیر داده های صفحه گوگل آنالیتیکس
- 16 - آماده سازی داده ها برای گروه بندی
- 17 - ایجاد مجموعه داده های جدید با Groupby
- 18 - بازسازی داده های گوگل آنالیتیکس
- 19 - انداختن ستون ها
- 20 - جایگزینی داده های تبلیغاتی از دست رفته فیس بوک
- 21 - ادغام Google Analytics و Search Console
- 22 - ذخیره داده های خود در یک CSV
4. تجسم داده های بازاریابی در پایتون
- 23 - تجسم های سفارشی در پایتون
- 24 - یک نمودار اساسی را وارد کنید، کاوش کنید و ترسیم کنید
- 25 - ایجاد طرح های فرعی Matplotlib
- 26 - ترسیم یک محور y ثانویه
- 27 - افزودن برچسب های x و y به یک نمودار
- 28 - چرخاندن برچسب های xticks در طرح
- 29 - افزودن افسانه به طرح
- 30 - اضافه کردن عنوان به طرح خود
- 31 - اضافه کردن حاشیه نویسی به طرح
- 32 - جابجایی بین سبک های Matplotlib
- 33 - استفاده از نمودار پراکندگی در Seaborn
- 34 - سفارشی سازی طرح پراکندگی در Seaborn
- 35 - ایجاد نقشه حرارتی تبلیغات فیس بوک در Seaborn
5. کار با Timeseries
- 36 - دفترچه سری زمانی
- 37 - رفع مقادیر از دست رفته
- 38 - نمونه برداری مجدد از داده های سری زمانی
- 39 - کرت های متوسط رولینگ
- 40 - ترسیم داده های هفتگی PPC و CPC
- 41 - اضافه کردن حاشیه نویسی پویا به یک طرح
6. محاسبه، فیلتر کردن، و ایجاد معیارهای جدید
- 42 - مقدمه ای بر محاسبات و فیلترینگ
- 43 - محاسبه معیارها
- 44 - فیلتر کردن داده ها
7. ایجاد هشدارهای مفید
- 45 - مقدمه ای برای محاسبات هشدار
- 46 - ایجاد هشدارهای ساده
- 47 - محاسبه دو محدوده تاریخ
- 48 - ایجاد هشدار با اعمال
نتیجه
- 49 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی داشبوردهای مجهز به هوش مصنوعی با Streamlit
- دوره آموزشی اپ تحلیل داده با قدرت LLM با پایتون و Streamlit
- دوره آموزشی راهنمای کامل مهندسی تحلیل دادهها
- دوره آموزشی اپلیکیشنهای مبتنی بر LLM با Streamlit
- دوره آموزشی هوش مصنوعی عملی: ساخت اولین اپلیکیشن خود با قدرت LLM
- دوره آموزشی تحلیل پیشرفته دادههای مکانی در پایتون