Association-Rules für Warenkorb-Empfehlungen im Online-Großhandel
Übersicht
Worum es bei diesem Projekt geht.
Implementiere Apriori mit echten B2B-Bestelldaten, filtere triviale Regeln und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie generiert man aus 18 Monaten Bestelldaten die Top-200 produktiv ausspielbaren Warenkorb-Regeln, ohne triviale Korrelationen zu zeigen?
Earning criteria — what you'll demonstrate
- Apriori bzw. FP-Growth auf realer Warenkorb-Größenordnung anwenden
- Support/Konfidenz/Lift — die drei klassischen Regel-Metriken — begründet wählen
- Statistisch starke vs. geschäftlich nützliche Regeln voneinander trennen
- Einen A/B-Test mit ausreichender Sample-Size planen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Data Mining and Knowledge Discovery
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Association-Rules sind ein klassisches Data-Mining-Werkzeug, das immer noch in Empfehlungs-Slots produktiv ist — die Challenge liefert eine end-to-end-Demonstration vom Rohdatensatz bis zum A/B-Test-Plan.
Dieses Projekt schärft
- association-rules
- apriori
- feature-engineering
Machine Learning Engineer
Eine produktive Regel-Pipeline mit JSON-Ausspielung und Schwellen-Tuning ist eine typische erste Aufgabe für ML Engineers in Retail- und Marketplace-Teams.
Dieses Projekt schärft
- python
- fp-growth
- data-cleaning
AI Engineer
Die Schnittstelle zwischen Modell-Output und Produkt-Endpunkt sauber zu schneiden ist Tagesgeschäft eines AI Engineers — die Challenge übt genau das.
Dieses Projekt schärft
- python
- association-rules
- feature-engineering
Noch eine Sache