欢迎购买学习《基于MAB算法(多臂强盗算法Multi-Armed Bandit)广告点击AI机器人开发实战训练视频教程》课程，你将学习关于构建智能实时学习MAB智能AI机器人以提高网络广告点击率。
发表于 06/2022
MP4 | 视频：h264, 1280×720 | 音频：AAC，44.1 KHz，2 Ch
类型：eLearning | 语言：英语 + 英语字幕srt | 时长：35 节课（4 小时 30 米）| 大小：1.72 GB
你会学到什么
- 设计使用多臂老虎机算法的实时学习系统的架构。
- 使用 Flask 实现 MAB 代理，优化广告点击率。
- Epsilon-Greedy、Softmax Exploration 和 UCB 在实时学习系统中的实现。
- 从 MAB 问题的模拟过渡到实际应用。
- Python 软件开发中的一般最佳实践。
- 使用 Flask 进行一般后端开发。
- 数据库迁移和播种的自动化。
要求
- Python中的基本面向对象编程。
- 基础数学（高中代数就够了）
- 之前学习过《实用Python多臂强盗算法Multi-Armed Bandit实现视频教程》课程
描述
本课程是我之前的课程《实用Python多臂强盗算法Multi-Armed Bandit实现视频教程》的续集，目标是教您如何轻松应用您对 MAB 算法的知识，在网络上构建和部署智能代理，自动学习如何提高广告点击率。
本课程中的每个视频都是动手实践的，它们共同为您提供有关如何使用 Flask 构建 Web 应用程序的专业知识，以及如何集成 MAB 代理以调整其操作以提高在线广告的点击率。在本课程结束时，您将准确了解如何在 Web 应用程序中实施实时学习代理以优化关键业务目标。
知道如何使用模拟来验证 MAB 代理的性能是一回事。但是，从模拟过渡到实际应用需要本课程中教授的一些关键技能。例如，您需要知道如何执行以下操作
- – 从数据库中存储和检索信息，代理将使用这些信息来选择操作。
- – 将用户交互（例如点击）转化为代理可以用作评估反馈信息的奖励。
- – 调整代理的知识以反映通过交互观察到的真实用户行为。
- – 使用 API 实现各种 MAB 算法，这样可以更轻松地将一种算法切换到另一种算法。
- – 为在线实时学习系统设计和实施良好的软件架构。
我强烈建议您在参加本课程之前完成我之前的课程《实用Python多臂强盗算法Multi-Armed Bandit实现视频教程》，因为这是后续课程。但是，如果您已经知道如何实现各种 MAB 算法，那么您可以直接进入本课程并毫不费力地取得成功。
本课程有意以非常简单的方式教授。它不包括使用高等数学，您只需要知道 Python 中的 OOP 和简单的高中代数。
感谢您参加本课程！我迫不及待地想看看您将使用此处共享的知识构建什么！
本课程适用于谁
- 已经了解多臂老虎机算法并希望从模拟过渡到构建实际应用程序的人。
- 任何想学习如何设计和实现实时学习系统架构的人。
- 想要了解如何使用强化学习来优化广告点击率的工程师。
- 我之前的课程“Python 中的实用多臂老虎机算法”的学生想要将他们的知识应用到现实生活中。
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
