اکسپرس 24
کتاب بهره‌گیری از یادگیری تقویتی چندعامله برای مدیریت کمپین‌های بازاریابی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

کتاب بهره‌گیری از یادگیری تقویتی چندعامله برای مدیریت کمپین‌های بازاریابی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهره‌گیری از یادگیری تقویتی چندعامله برای مدیریت کمپین‌های بازاریابی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های مدیریت اطلاعات مشتری

📋 سرفصل‌های دوره

  • 1. مقدمه بر یادگیری تقویتی و مفاهیم پایه
  • 2. تفاوت یادگیری تقویتی تک‑عامله و چندعامله
  • 3. ARCHITECTURE‌های MARL: centralized training decentralized execution (CTDE)
  • 4. مفاهیم state، action، reward در محیط‌های چندعامله
  • 5. مدلسازی محیط MARL برای داده‌های مشتری
  • 6. نمایش داده‌های مشتری به صورت state vector
  • 7. تعریف عمل actions در Kampagne بازاریابی (مثل تخصیص بودجه، انتخاب کانال)
  • 8. طراحی reward function برای هدف‌های بازاریابی (مثل ROI، NCP، LTV)
  • 9. استکشاف و استثمار در MARL (exploration‑exploitation trade‑off)
  • 10. الگوریتم Q‑Learning تک‑عامله و گسترش به MARL
  • 11. Deep Q‑Network (DQN) پایه
  • 12. مفهومی از Function Approximation در MARL
  • 13. Independent Q‑Learning (IQL) و چالش‌های non‑stationarity
  • 14. Centralized Critic و Actor‑Critic در MARL
  • 15. الگوریتم MADDPG (Multi‑Agent Deep Deterministic Policy Gradient)
  • 16. QMIX: مقداردهی混合 Q‑Values برای تعاون
  • 17. VDN (Value Decomposition Networks) و انتزاع ارزش
  • 18. COMA (Counterfactual Multi‑Agent Policy Gradients)
  • 19. الگوریتم‌های Policy Gradient چندعامله (MAPPO, MAPPG)
  • 20. مفاهیم Credit Assignment در MARL
  • 21. مکانیسم‌های ارتباط بین Agentها (communication protocols)
  • 22. استفاده از Attention در MARL برای وزن‌دهی به همسایگان
  • 23. محاسباتی و پیچیدگی آموزش MARL (sample complexity)
  • 24. بهینه‌سازی hiperپارامترها در MARL (learning rate, discount factor, τ)
  • 25. تنظیمات Exploration: ε‑greedy, Boltzmann, Thompson Sampling در MARL
  • 26. تقييم عملکرد MARL: معیارهای cumulative reward, convergence rate
  • 27. معیارهای khusus بازاریابی: CPA, ROAS, LTV, churn reduction
  • 28. شبیه‌سازی محیط Campaing با OpenAI Gym یا PettingZoo
  • 29. ساخت محیط سفارشی برای مدیریت campagnes چند کانال
  • 30. پیش‌پردازش داده‌های مشتری: تمیز‌سازی، normalization، encoding
  • 31. استخراج ویژگی‌ها از داده‌های CRM (demographic, behavioral, transactional)
  • 32. dimensionality reduction (PCA, t‑SNE) برای state space
  • 33. مدیریت داده‌های ناقص و noisy در MARL
  • 34. به‌روزرسانی state در زمان واقعی (online learning)
  • 35. آฟلاین vs آنلاین در MARL برای Kampaign
  • 36. استفاده از Replay Buffer چندعامله و اولویت‑محور
  • 37. تقنيات Regularization: وزن décropping, gradient clipping
  • 38. مدیریت non‑stationarity از طریق opponent modeling
  • 39. opponent modeling و inferring intentions of other agents (competitors)
  • 40. تنظیمات مقیاس‌پذیری: آموزش توزیع‌شده (distributed training)
  • 41. استفاده از Ray، Horovod یا TensorFlow Strategy برایparallelism
  • 42. بهینه‌سازی inferencing latency برای تصمیم‌گیری real‑time در Kampaign
  • 43. استقرار مدل MARL در محیط تولید (serving API, Kubernetes)
  • 44. نظارت pós‑deployment و تشخیص drift در داده‌های مشتری
  • 45. تست A/B با politicaهای MARL vs قوانینheuristic
  • 46. تحلیل حساسیت به تغییرات reward function
  • 47. طراحی reward shaping برای تشویق به همکاری (collaboration)
  • 48. جریمه برای اقدامات conflict‑generating (مثل overexposure)
  • 49. مدیریت محدودیت‌های بودجه به‌عنوان constraint در MARL (Constrained RL)
  • 50. استفاده از Lagrangian relaxation برای بودجه محدود
  • 51. بهینه‌سازی تخصیص بودجه بین کانال‌ها (TV, Digital, Social, Email)
  • 52. تعیین frékuانس cap óptimal از طریق MARL
  • 53. شخصی‌سازی پیام: تولید محتواهای پویا بر اساس state
  • 54. ترکیب MARL با مولدهای زبان (LLM) برای copy generation
  • 55. استفاده از MARL برای پیشنهاد محصول (product recommendation) در Kampaign
  • 56. پیش‌بینی churn و تداخل با سیاست‌های retention
  • 57. بهینه‌سازی lifetime value (LTV) از طریق سیاست‌های MARL
  • 58. مدیریت Kampaigns چندمرحله‌ای (awareness → consideration → conversion)
  • 59. هیئرارشی MARL برای سطوح مختلف funnel
  • 60. استفاده از Options یا Skills در MARL برای ابسط‌سازی سیاست
  • 61. آموزش MARL با تقویت‌های درونی (intrinsic motivation) برای اکتشاف سگمنت‌های جدید
  • 62. استفاده از curiosité-driven exploration در MARL برای detecting niche audiences
  • 63. بررسی اخلاقی و حریم خصوصی در استفاده از داده‌های مشتری با MARL
  • 64. سازگاری با مقررات GDPR و CCPOL
  • 65. auditing و traceability از تصمیمات MARL در Kampaign
  • 66. تنظیمات ریسک‑محور: جلوگیری از overexposure یا brand safety
  • 67. ترکیب MARL با مدل‌های تخمین نرخ کلیک (CTR) و تبدیل (CVR)
  • 68. استفاده از مدل‌های سری زمانی برای پیش‌بینی روندهای فصلی
  • 69. بهینه‌سازیcampaigns چندوطنی با توجه به تفاوت‌های فرهنگی
  • 70. تنظیمات زمان‌بندی (scheduling) Ads با MARL (real‑time bidding)
  • 71. ادغام MARL با پلتفرم‌های DSP/SSP برای خرید medias programmatic
  • 72. تحلیل اثر campagnes concurrent (competitor campaigns) با MARL
  • 73. استفاده از بازی‌های sum-zero و cooperative برای مدل‌سازی رقابت
  • 74. overtraining و overfitting در MARL و راه‌های مقابله (early stopping, dropout)
  • 75. مطالعه موردی: استفاده MARL در یک کمپین بازاریابی دیجیتال بزرگ
  • 76. دروس آموخده و بهترین Practices
  • 77. راهنمای گام‑به‑گام برای ساخت پروژه MARL Kampaign از ابتدا
  • 78. ابزارها و کتابخانه‌های پیشنهادی (PyMARL, RLlib, PettingZoo, TensorFlow Agents)
  • 79. منابعی برای یادگیری ادامه‌دار (مقالات، کنفرانس‌ها، وبینار)
  • 80. ارزیابی نهایی پروژه و گزارش نتایج
  • 81. آینده MARL در بازاریابی: روندها و فناوری‌های نوین
  • 82. ادغام MARL با مشتری journey mapping
  • 83. استفاده از MARL برای تست ایمیل Subject line
  • 84. بهینه‌سازی landing page با تست A/B مبتنی بر MARL
  • 85. استفاده از MARL برای تخصیص incentive (coupon, discount) به مشتریان
  • 86. مدیریت Kampaigns تحت فشار فوری (flash sale) با MARL
  • 87. تحلیل Sensitivity به تغییرات نرخ تبدیل
  • 88. استفاده از MARL برای بهینه‌سازی chemins multi-touch attribution
  • 89. مدیریت خطر overexposure و خستگی تبلیغاتی با MARL
  • 90. استفاده از MARL برای تعیین optimal frequency capping در ویدیوهای تبلیغاتی
  • 91. استفاده از MARL برای تخصیص بودجه بین تبلیغات جستجو و نمایشی
  • 92. استفاده از MARL برای تخصیص بودجه بین تبلیغات ویدیویی و بنری
  • 93. استفاده از MARL برای تخصیص بودجه بین تبلیغات موبایل و دسکتاپ
  • 94. استفاده از MARL برای تخصیص بودجه بین تبلیغات اجتماعی و موتور جستجو
  • 95. استفاده از MARL برای تخصیص بودجه بین تبلیغات ایمیل و SMS
  • 96. استفاده از MARL برای تخصیص بودجه بین تبلیغات native و display
  • 97. استفاده از MARL برای تخصیص بودجه بین تبلیغات ویدیوی کوتاه و طولانی
  • 98. استفاده از MARL برای تخصیص بودجه بین تبلیغات برنامه‑محور و محتوایی
  • 99. استفاده از MARL برای تخصیص بودجه بین تبلیغات برند و عملکردی
  • 100. جمع‌بندی و مسیرهای پیش‌رو
تگ‌ها: attention mechanisms budget allocation churn prediction constrained RL customer data hierarchical MARL intrinisic motivation marketing campaign management MARL multi-agent reinforcement learning opponent modeling personalized advertising real-time bidding RL algorithms ROI optimization

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.