Python廣告數(shù)據挖掘與分析實戰(zhàn)

定　價：￥89.00

作　者：	楊游云，周健著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111677628	出版時間：	2021-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	224	字數(shù)：

內容簡介

　　這是一部營銷和廣告數(shù)據挖掘與分析的實戰(zhàn)指南，橫跨技術和業(yè)務兩個維度，理論與實踐相結合。技術維度，結合營銷與廣告行業(yè)的實際需求，系統(tǒng)講解了廣告數(shù)據挖掘的模型、算法以及數(shù)據分析方法，從而實現(xiàn)面向用戶的精準營銷；業(yè)務維度，結合廣告業(yè)務的具體場景，為廣告中的具體問題提供解決方案。更重要的是，本書還講解了熱門的機器學習算法在廣告數(shù)據挖掘與分析中的應用。全書共 10 章，從邏輯上可分為技術理論知識和具體業(yè)務應用兩個部分。前6章以及第10章主要講解了廣告數(shù)據分析與挖掘的技術、方法和應用，第7～9 章則主要講解了廣告業(yè)務中的具體問題及相應的解決方法。第1～2 章主要介紹了Python的安裝和環(huán)境配置，以及廣告數(shù)據和廣告數(shù)據分析的基礎知識；第3～6章深入講解了Python常用的工具包、模型常用的評價指標，以及如何利用Python建立廣告分類模型和集成模型。第7～8章講解了廣告數(shù)據分析的典型案例和常用分析方法，以及如何做一份滿意的數(shù)據分析報告。第9章講解了如何運用數(shù)據分析與挖掘方法解決廣告業(yè)務中的實際問題。第 10 章主要講解了常用的數(shù)據預處理及特征選擇方法。

作者簡介

　　楊游云資深數(shù)據分析專家和AI技術專家，在廣告領域工作多年，目前就職于微思敦深圳分公司皓量科技。在AI技術領域有非常深厚的積累，擅長機器學習和自然語言處理，對圖像識別技術也有一定的研究。個人微信公眾號：數(shù)據挖掘與AI算法。周健資深數(shù)據挖掘工程師，現(xiàn)就職于國內某大型征信服務公司，曾為多家國有銀行、股份制銀行、大型金融機構提供反欺詐、信用評分方案。在傳統(tǒng)機器學習方面有深入的理解和豐富的實戰(zhàn)經驗，在網絡爬蟲和自然語言處理方面也有自己獨特的見解。

圖書目錄

前言
第1章　Python安裝方法1
1.1　Python介紹1
1.2　Anaconda安裝2
1.3　PyCharm安裝及環(huán)境配置9
1.4　為什么建議使用Python17
1.5　本章小結18
第2章　認識廣告數(shù)據分析19
2.1　廣告數(shù)據概述19
2.2　廣告數(shù)據分布20
2.3　異常值診斷24
2.4　數(shù)據相關性26
2.5　顯著性檢驗27
2.6　本章小結27
第3章　Python廣告數(shù)據分析常用工具包29
3.1　數(shù)據基礎運算工具：NumPy29
3.2　數(shù)據預處理工具：Pandas46
3.3　數(shù)據可視化分析工具：Matplotlib63
3.4　本章小結74
第4章　模型常用評價指標75
4.1　回歸模型常用評價指標75
4.2　分類模型常用評價指標77
4.3　本章小結87
第5章　利用Python建立廣告分類模型88
5.1　邏輯回歸88
5.2　決策樹92
5.3　KNN98
5.4　SVM101
5.5　神經網絡110
5.6　本章小結118
第6章　利用Python建立廣告集成模型119
6.1　隨機森林119
6.2　GBDT124
6.3　XGBoost128
6.5　LR+GBDT137
6.6　FM142
6.6.1　FM的原理142
6.6.2　FM的改進145
6.6.3　FM的Python實現(xiàn)145
6.7　本章小結147
第7章　移動廣告常用數(shù)據分析方法149
7.1　App下載數(shù)據分析149
7.2　游戲行業(yè)用戶分析151
7.3　電商類App用戶轉化分析156
7.4　工具類App用戶分析162
7.5　本地O2O婚紗攝影行業(yè)分析163
7.6　品牌廣告與效果廣告166
7.7　本章小結168
第8章　廣告數(shù)據分析報告169
8.1　分析觀點明確，邏輯清晰169
8.2　匯報結果，用數(shù)據說話170
8.3　分析過程有理有據171
8.4　圖表說明171
8.5　數(shù)據驗證173
8.6　分析建議173
8.7　本章小結174
第9章　廣告用戶數(shù)據挖掘與分析175
9.1　廣告用戶曝光與響應率分析175
9.2　廣告用戶曝光與點擊率分析178
9.3　廣告訂單消耗與延時性分析181
9.4　Lookalike聚類分析186
9.5　Lookalike技術在廣告中的應用190
9.6　本章小結192
第10章　廣告數(shù)據預處理與特征選擇193
10.1　廣告數(shù)據預處理193
10.2　常用特征選擇方法197
10.3　PCA209
10.4　本章小結214