|
Image Recognition
|
| bet | 69/182 | | Sana | 19.05.2024 | | Hajmi | 5,69 Mb. | | #244351 |
Bog'liq Python sun\'iy intellekt texnologiyasi Dasrlik 2024Xarid qilish klasteri:
Xarid ma’lumotlarini klasterlash tez-tez birgalikda sotib olinadigan tovarlar guruhlarini aniqlashga yordam beradi, bu inventarizatsiyani boshqarish va o‘zaro sotish uchun foydali bo‘lishi mumkin.
from sklearn.cluster import KMeans
# Ma’lumotlarni yuklash
data = pd.read_csv('ma’lumotlar_o_sotib olishlar.csv')
# Belgilarni ajratish
features = data.drop('CustomerID', axis=1)
# Klasterlash
kmeans = KMeans(n_clusters=5)
data['Cluster'] = kmeans.fit_predict(features)
Mijozlarning fikr-mulohazalari uchun matnli ma’lumotlarni tahlil qilish:
Mijozlarning fikr-mulohazalarini baholash va tasniflash uchun matn tahlilidan foydalanish muammolarni aniqlash va xizmatni yaxshilashga yordam beradi.
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
# Ma’lumotlarni yuklash
data = pd.read_csv('sharhlar_klientlar.csv')
# Ma’lumotlarni tayyorlash
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(data[' Sharhlar'])
y = data[' Qoniqish ']
# Modelni o‘qitish
model = MultinomialNB()
model.fit(X, y)
# Bashorat qilish
new_review = vectorizer.transform(["Ajoyib mahsulot, juda mamnun!"])
satisfaction_prediction = model.predict(new_review)
Ushbu misollar biznesdagi muayyan vazifalar uchun mashinali o‘qitish va ma’lumotlarni tahlil qilishdan qanday foydalanishni ko‘rsatadi. Kodni sizning aniq talablaringiz va ma’lumotlaringizga moslashtirish muhimdir.
Python dasturlash tilidan foydalangan holda biznes jarayonlarini optimallashtirish uchun mashinali o‘qitish (mo) va ma’lumotlarni tahlil qilishdan foydalanishning ba’zi misollari:
Marketing strategiyalarini takomillashtirish:
Mijozlarning xatti-harakatlari to‘g'risidagi ma’lumotlarni tahlil qilish shaxsiylashtirilgan marketing strategiyalarini yaratish va konversiyani yaxshilashga yordam beradi.
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
# Ma’lumotlarni yuklash
customer_data = pd.read_csv('данные_о_клиентах.csv')
# Ma’lumotlarni tayyorlash
features = customer_data.drop('покупки', axis=1)
scaler = StandardScaler()
scaled_features = scaler.fit_transform(features)
# Mijozlarni klasterlash
kmeans = KMeans(n_clusters=3)
customer_data[' Klaster'] = kmeans.fit_predict(scaled_features)
|
| |
