Dies ist die Windows-App namens Causal ML, deren neueste Version als v0.15.5sourcecode.zip heruntergeladen werden kann. Sie kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens Causal ML mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie einen beliebigen OS OnWorks-Online-Emulator von dieser Website, aber einen besseren Windows-Online-Emulator.
- 5. Rufen Sie vom gerade gestarteten OnWorks Windows-Betriebssystem unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter und installieren Sie sie.
- 7. Laden Sie Wine aus den Software-Repositorys Ihrer Linux-Distributionen herunter. Nach der Installation können Sie dann auf die App doppelklicken, um sie mit Wine auszuführen. Sie können auch PlayOnLinux ausprobieren, eine schicke Schnittstelle über Wine, die Ihnen bei der Installation beliebter Windows-Programme und -Spiele hilft.
Wine ist eine Möglichkeit, Windows-Software unter Linux auszuführen, jedoch ohne Windows. Wine ist eine Open-Source-Windows-Kompatibilitätsschicht, die Windows-Programme direkt auf jedem Linux-Desktop ausführen kann. Im Wesentlichen versucht Wine, genügend Windows von Grund auf neu zu implementieren, damit alle diese Windows-Anwendungen ausgeführt werden können, ohne dass Windows tatsächlich benötigt wird.
SCREENSHOTS
Ad
Kausales ML
BESCHREIBUNG
Causal ML ist ein Python-Paket, das eine Reihe von Uplift-Modellierungs- und kausalen Inferenzmethoden mithilfe von Machine-Learning-Algorithmen basierend auf aktueller Forschung bereitstellt [1]. Es bietet eine Standardschnittstelle, die es Nutzern ermöglicht, den Conditional Average Treatment Effect (CATE) oder Individual Treatment Effect (ITE) anhand von experimentellen oder Beobachtungsdaten zu schätzen. Im Wesentlichen schätzt es den kausalen Einfluss der Intervention T auf das Ergebnis Y für Nutzer mit beobachteten Merkmalen X, ohne starke Annahmen über die Modellform zu treffen. Ein wichtiger Hebel zur Steigerung des ROI einer Werbekampagne ist die gezielte Ausrichtung der Anzeige auf die Kundengruppe, die bei einem bestimmten KPI wie Engagement oder Umsatz positiv reagiert. CATE identifiziert diese Kunden, indem es den Effekt des KPI aus der Anzeigenpräsenz auf individueller Ebene anhand von A/B-Experimenten oder historischen Beobachtungsdaten schätzt.
Eigenschaften
- Ein Python-Paket für Uplift-Modellierung und kausale Inferenz mit ML
- Dokumentation vorhanden
- Optimierung der Kampagnenausrichtung
- Personalisiertes Engagement
- Beispiele verfügbar
Programmiersprache
Python
Kategorien
Diese Anwendung ist auch unter https://sourceforge.net/projects/causal-ml.mirror/ verfügbar. Sie wurde in OnWorks gehostet, um die Ausführung online auf einem unserer kostenlosen Betriebssysteme zu vereinfachen.
