123,123,123

內(nèi)容簡(jiǎn)介

　　這是一部營(yíng)銷(xiāo)和廣告數(shù)據(jù)挖掘與分析的實(shí)戰(zhàn)指南，橫跨技術(shù)和業(yè)務(wù)兩個(gè)維度，理論與實(shí)踐相結(jié)合。技術(shù)維度，結(jié)合營(yíng)銷(xiāo)與廣告行業(yè)的實(shí)際需求，系統(tǒng)講解了廣告數(shù)據(jù)挖掘的模型、算法以及數(shù)據(jù)分析方法，從而實(shí)現(xiàn)面向用戶(hù)的精準(zhǔn)營(yíng)銷(xiāo)；業(yè)務(wù)維度，結(jié)合廣告業(yè)務(wù)的具體場(chǎng)景，為廣告中的具體問(wèn)題提供解決方案。更重要的是，本書(shū)還講解了熱門(mén)的機(jī)器學(xué)習(xí)算法在廣告數(shù)據(jù)挖掘與分析中的應(yīng)用。全書(shū)共 10 章，從邏輯上可分為技術(shù)理論知識(shí)和具體業(yè)務(wù)應(yīng)用兩個(gè)部分。前6章以及第10章主要講解了廣告數(shù)據(jù)分析與挖掘的技術(shù)、方法和應(yīng)用，第7～9 章則主要講解了廣告業(yè)務(wù)中的具體問(wèn)題及相應(yīng)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(jù)和廣告數(shù)據(jù)分析的基礎(chǔ)知識(shí)；第3～6章深入講解了Python常用的工具包、模型常用的評(píng)價(jià)指標(biāo)，以及如何利用Python建立廣告分類(lèi)模型和集成模型。第7～8章講解了廣告數(shù)據(jù)分析的典型案例和常用分析方法，以及如何做一份滿(mǎn)意的數(shù)據(jù)分析報(bào)告。第9章講解了如何運(yùn)用數(shù)據(jù)分析與挖掘方法解決廣告業(yè)務(wù)中的實(shí)際問(wèn)題。第 10 章主要講解了常用的數(shù)據(jù)預(yù)處理及特征選擇方法。

作者簡(jiǎn)介

　　楊游云資深數(shù)據(jù)分析專(zhuān)家和AI技術(shù)專(zhuān)家，在廣告領(lǐng)域工作多年，目前就職于微思敦深圳分公司皓量科技。在A(yíng)I技術(shù)領(lǐng)域有非常深厚的積累，擅長(zhǎng)機(jī)器學(xué)習(xí)和自然語(yǔ)言處理，對(duì)圖像識(shí)別技術(shù)也有一定的研究。個(gè)人微信公眾號(hào)：數(shù)據(jù)挖掘與AI算法。周健資深數(shù)據(jù)挖掘工程師，現(xiàn)就職于國(guó)內(nèi)某大型征信服務(wù)公司，曾為多家國(guó)有銀行、股份制銀行、大型金融機(jī)構(gòu)提供反欺詐、信用評(píng)分方案。在傳統(tǒng)機(jī)器學(xué)習(xí)方面有深入的理解和豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)，在網(wǎng)絡(luò)爬蟲(chóng)和自然語(yǔ)言處理方面也有自己獨(dú)特的見(jiàn)解。

圖書(shū)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(jié)18
第2章　認(rèn)識(shí)廣告數(shù)據(jù)分析19
2.1　廣告數(shù)據(jù)概述19
2.2　廣告數(shù)據(jù)分布20
2.3　異常值診斷24
2.4　數(shù)據(jù)相關(guān)性26
2.5　顯著性檢驗(yàn)27
2.6　本章小結(jié)27
第3章　Python廣告數(shù)據(jù)分析常用工具包29
3.1　數(shù)據(jù)基礎(chǔ)運(yùn)算工具：NumPy29
3.2　數(shù)據(jù)預(yù)處理工具：Pandas46
3.3　數(shù)據(jù)可視化分析工具：Matplotlib63
3.4　本章小結(jié)74
第4章　模型常用評(píng)價(jià)指標(biāo)75
4.1　回歸模型常用評(píng)價(jià)指標(biāo)75
4.2　分類(lèi)模型常用評(píng)價(jià)指標(biāo)77
4.3　本章小結(jié)87
第5章　利用Python建立廣告分類(lèi)模型88
5.1　邏輯回歸88
5.2　決策樹(shù)92
5.3　KNN98
5.4　SVM101
5.5　神經(jīng)網(wǎng)絡(luò)110
5.6　本章小結(jié)118
第6章　利用Python建立廣告集成模型119
6.1　隨機(jī)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(jìn)145
6.6.3　FM的Python實(shí)現(xiàn)145
6.7　本章小結(jié)147
第7章　移動(dòng)廣告常用數(shù)據(jù)分析方法149
7.1　App下載數(shù)據(jù)分析149
7.2　游戲行業(yè)用戶(hù)分析151
7.3　電商類(lèi)App用戶(hù)轉(zhuǎn)化分析156
7.4　工具類(lèi)App用戶(hù)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(jié)168
第8章　廣告數(shù)據(jù)分析報(bào)告169
8.1　分析觀(guān)點(diǎn)明確，邏輯清晰169
8.2　匯報(bào)結(jié)果，用數(shù)據(jù)說(shuō)話(huà)170
8.3　分析過(guò)程有理有據(jù)171
8.4　圖表說(shuō)明171
8.5　數(shù)據(jù)驗(yàn)證173
8.6　分析建議173
8.7　本章小結(jié)174
第9章　廣告用戶(hù)數(shù)據(jù)挖掘與分析175
9.1　廣告用戶(hù)曝光與響應(yīng)率分析175
9.2　廣告用戶(hù)曝光與點(diǎn)擊率分析178
9.3　廣告訂單消耗與延時(shí)性分析181
9.4　Lookalike聚類(lèi)分析186
9.5　Lookalike技術(shù)在廣告中的應(yīng)用190
9.6　本章小結(jié)192
第10章　廣告數(shù)據(jù)預(yù)處理與特征選擇193
10.1　廣告數(shù)據(jù)預(yù)處理193
10.2　常用特征選擇方法197
10.3　PCA209
10.4　本章小結(jié)214