Kurssit

Insoft on palvellut IT-yhteisöä Ciscon virallisella koulutustarjonnalla vuodesta 2010. Tältä sivulta löydät kaikki olennaiset tiedot Ciscon koulutuksesta.

Katso lisää

Cisco Learning Credits

Cisco opintopisteet (CLC) ovat suoraan Ciscon kanssa lunastettuja prepaid-koulutusseteleitä, jotka helpottavat menestyksen suunnittelua ostaessasi Ciscon tuotteita ja palveluita.

Katso lisää

Cisco Continuing Education

Cisco täydennyskoulutusohjelma tarjoaa kaikille aktiivisille sertifioinnin haltijoille joustavia vaihtoehtoja uudelleensertifiointiin suorittamalla erilaisia kelvollisia koulutuskohteita.

Katso lisää

Cisco Digital Learning

Sertifioidut työntekijät ovat ARVOSTETTUJA omaisuuseriä. Tutustu Ciscon valtuutettuun digitaaliseen oppimiskirjastoon ja kouluta itseäsi tallennettujen istuntojen avulla.

Katso lisää

Cisco Business Enablement

Cisco Business Enablement Partner Program keskittyy Cisco Channel Partnersin ja asiakkaiden liiketoimintataitojen terävöittämiseen.

Katso lisää

Kurssit

Insoft Services on auktorisoitu Fortinet-kouluttaja useassa Euroopan maassa.

Katso lisää

ATC Status

Tarkista ATC-tilamme valituissa Euroopan maissa.

Katso lisää

Kurssit

Insoft Services tarjoaa Microsoftille EMEAR-koulutusta. Tarjoamme Microsoftin teknistä koulutusta ja sertifiointikursseja, joita johtavat maailmanluokan ohjaajat.

Katso lisää

Kurssit

Extreme Networks Technical Trainingin kehitys tarjoaa kattavan progressiivisen polun associate-akkreditoinnista ammatilliseen akkreditointiin.

Katso lisää

ATP-akkreditointi

Valtuutettuna koulutuskumppanina (ATP) Insoft Services varmistaa, että saat korkeimman saatavilla olevan koulutuksen.

Katso lisää

 

Maailmassa, jossa teknologiat kehittyvät nopeasti, jokainen yritys - yritys - tarvitsee kumppanin, johon luottaa ja luottaa verkkoinfrastruktuurinsa sujuvaan ja turvalliseen toimintaan.

Katso lisää

 

Missiomme: Tarjota asiantunteva joukko moderneja ja huippuluokan verkkoautomaatiotaitoja markkinoille asiantuntijapalvelujen avulla.

Katso lisää

 

Maailmassa, jossa teknologiat kehittyvät nopeasti, jokainen yritys - yritys - tarvitsee kumppanin, johon luottaa ja luottaa verkkoinfrastruktuurinsa sujuvaan ja turvalliseen toimintaan.

Katso lisää

 

Maailmassa, jossa teknologiat kehittyvät nopeasti, jokainen yritys - yritys - tarvitsee kumppanin, johon luottaa ja luottaa verkkoinfrastruktuurinsa sujuvaan ja turvalliseen toimintaan.

Katso lisää

 

Maailmassa, jossa teknologiat kehittyvät nopeasti, jokainen yritys - yritys - tarvitsee kumppanin, johon luottaa ja luottaa verkkoinfrastruktuurinsa sujuvaan ja turvalliseen toimintaan.

Katso lisää

 

Maailmassa, jossa teknologiat kehittyvät nopeasti, jokainen yritys - yritys - tarvitsee kumppanin, johon luottaa ja luottaa verkkoinfrastruktuurinsa sujuvaan ja turvalliseen toimintaan.

Katso lisää

 

Autamme organisaatioita ottamaan käyttöön Software-Defined Networking (SDN) -ratkaisuja, kuten Cisco DNA:ta.Lisäksi tiimillämme on laaja kokemus Cisco DNA Centerin integroinnista kolmannen osapuolen järjestelmiin.

Katso lisää

 

Maailmassa, jossa teknologiat kehittyvät nopeasti, jokainen yritys - yritys - tarvitsee kumppanin, johon luottaa ja luottaa verkkoinfrastruktuurinsa sujuvaan ja turvalliseen toimintaan.

Katso lisää

Tiimimme

Koulutusvalikoimaamme kuuluu laaja valikoima IT-koulutusta IP-palveluntarjoajilta, mukaan lukien Cisco, Extreme Networks, Fortinet, Microsoft, muutamia mainitakseni, EMEA-alueella.

Katso lisää

Data Science for Marketing Analytics

Ota yhteyttä

Voit olla meihin yhteydessä ja tiedustella koulutuksistamme täydentämällä yhteystietosi ja koulutuksen nimen oheen.

Tietosuojalauseke ja yksityisyys

Suostun vastaanottamaan sähköpostiviestejä ja/tai puheluita Insoft Services Oy: n tuotteista ja palveluista.
Hyväksyn, että tietojani kerätään ja käsitellään Insoft Servicesin tietosuojakäytännössä kuvatulla tavalla.

Close

Data Science for Marketing Analytics

VARAA NYT
Kesto
3 päivää
Toimitus
(Online ja paikan päällä)
Hinta
Hinta pyydettäessä

The Data Science for Marketing Analytics course, covers every stage of data analytics, from working with a raw dataset to segmenting a population and modelling different parts of the population based on the segments.

The course starts by teaching you how to use Python libraries, such as pandas and Matplotlib, to read data from Python, manipulate it, and create plots, using both categorical and continuous variables. Then, you’ll learn how to segment a population into groups and use different clustering techniques to evaluate customer segmentation. As you make your way through the chapters, you’ll explore ways to evaluate and select the best segmentation approach and go on to create a linear regression model on customer value data to predict lifetime value. In the concluding chapters, you’ll gain an understanding of regression techniques and tools for evaluating regression models and explore ways to predict customer choice using classification algorithms. Finally, you’ll apply these techniques to create a churn model for modelling customer product choices.

By the end of this course, you will be able to build your own marketing reporting and interactive dashboard solutions.

Lesson One: Data Preparation and Cleaning

  • Data Models and Structured Data
  • pandas
  • Data Manipulation

Lesson Two: Data Exploration and Visualization

  • Identifying the Right Attributes
  • Generating Targeted Insights
  • Visualizing Data

Lesson Three: Unsupervised Learning: Customer Segmentation

  • Customer Segmentation Methods
  • Similarity and Data Standardization
  • k-means Clustering

Lesson Four: Choosing the Best Segmentation Approach

  • Choosing the Number of Clusters
  • Different Methods of Clustering
  • Evaluating Clustering

Lesson Five: Predicting Customer Revenue Using Linear Regression

  • Understanding Regression
  • Feature Engineering for Regression
  • Performing and Interpreting Linear Regression

Lesson Six: Other Regression Techniques and Tools for Evaluation

  • Evaluating the Accuracy of a Regression Model
  • Using Regularization for Feature Selection
  • Tree-Based Regression Models

Lesson Seven: Supervised Learning: Predicting Customer Churn

  • Classification Problems
  • Understanding Logistic Regression
  • Creating a Data Science Pipeline

Lesson Eight: Fine-Tuning Classification Algorithms

  • Support Vector Machine
  • Decision Trees
  • Random Forest
  • Preprocessing Data for Machine Learning Models
  • Model Evaluation
  • Performance Metrics

Lesson Nine: Modeling Customer Choice

  • Understanding Multiclass Classification
  • Class Imbalanced Data

Data Science for Marketing Analytics is designed for developers and marketing analysts looking to use new, more sophisticated tools in their marketing analytics efforts.

It’ll help if you have prior experience of coding in Python and knowledge of high school level mathematics. Some experience with databases, Excel, statistics, or Tableau is useful but not necessary.

 

Hardware:

For an optimal student experience, we recommend the following hardware configuration:

  • Processor: Dual Core or better
  • Memory: 4 GB RAM
  • Storage: 10 GB available space

 

Software:

You’ll also need the following software installed in advance:

  • Any of the following operating systems: Windows 7 SP1 32/64-bit, Windows 8.1 32/64-bit, or Windows 10 32/64-bit, Ubuntu 14.04 or later, or macOS Sierra or later.
  • Browser: Google Chrome or Mozilla Firefox
  • Conda
  • Python 3.x

The Data Science for Marketing Analytics course, covers every stage of data analytics, from working with a raw dataset to segmenting a population and modelling different parts of the population based on the segments.

The course starts by teaching you how to use Python libraries, such as pandas and Matplotlib, to read data from Python, manipulate it, and create plots, using both categorical and continuous variables. Then, you’ll learn how to segment a population into groups and use different clustering techniques to evaluate customer segmentation. As you make your way through the chapters, you’ll explore ways to evaluate and select the best segmentation approach and go on to create a linear regression model on customer value data to predict lifetime value. In the concluding chapters, you’ll gain an understanding of regression techniques and tools for evaluating regression models and explore ways to predict customer choice using classification algorithms. Finally, you’ll apply these techniques to create a churn model for modelling customer product choices.

By the end of this course, you will be able to build your own marketing reporting and interactive dashboard solutions.

Lesson One: Data Preparation and Cleaning

  • Data Models and Structured Data
  • pandas
  • Data Manipulation

Lesson Two: Data Exploration and Visualization

  • Identifying the Right Attributes
  • Generating Targeted Insights
  • Visualizing Data

Lesson Three: Unsupervised Learning: Customer Segmentation

  • Customer Segmentation Methods
  • Similarity and Data Standardization
  • k-means Clustering

Lesson Four: Choosing the Best Segmentation Approach

  • Choosing the Number of Clusters
  • Different Methods of Clustering
  • Evaluating Clustering

Lesson Five: Predicting Customer Revenue Using Linear Regression

  • Understanding Regression
  • Feature Engineering for Regression
  • Performing and Interpreting Linear Regression

Lesson Six: Other Regression Techniques and Tools for Evaluation

  • Evaluating the Accuracy of a Regression Model
  • Using Regularization for Feature Selection
  • Tree-Based Regression Models

Lesson Seven: Supervised Learning: Predicting Customer Churn

  • Classification Problems
  • Understanding Logistic Regression
  • Creating a Data Science Pipeline

Lesson Eight: Fine-Tuning Classification Algorithms

  • Support Vector Machine
  • Decision Trees
  • Random Forest
  • Preprocessing Data for Machine Learning Models
  • Model Evaluation
  • Performance Metrics

Lesson Nine: Modeling Customer Choice

  • Understanding Multiclass Classification
  • Class Imbalanced Data

Data Science for Marketing Analytics is designed for developers and marketing analysts looking to use new, more sophisticated tools in their marketing analytics efforts.

It’ll help if you have prior experience of coding in Python and knowledge of high school level mathematics. Some experience with databases, Excel, statistics, or Tableau is useful but not necessary.

 

Hardware:

For an optimal student experience, we recommend the following hardware configuration:

  • Processor: Dual Core or better
  • Memory: 4 GB RAM
  • Storage: 10 GB available space

 

Software:

You’ll also need the following software installed in advance:

  • Any of the following operating systems: Windows 7 SP1 32/64-bit, Windows 8.1 32/64-bit, or Windows 10 32/64-bit, Ubuntu 14.04 or later, or macOS Sierra or later.
  • Browser: Google Chrome or Mozilla Firefox
  • Conda
  • Python 3.x