诺森图书音像专营店
  • 扫码下单

  • 音像Python广告数据挖掘与分析实战杨游云,周健
  • 正版
    • 作者: 杨游云,周健著 | 杨游云,周健编 | 杨游云,周健译 | 杨游云,周健绘
    • 出版社: 机械工业出版社
    • 出版时间:2021-03-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    店铺装修中

    商家:
    诺森图书音像专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    诺森图书音像专营店

  • 商品参数
    • 作者: 杨游云,周健著| 杨游云,周健编| 杨游云,周健译| 杨游云,周健绘
    • 出版社:机械工业出版社
    • 出版时间:2021-03-01
    • 版次:1
    • 印次:1
    • 页数:224
    • 开本:16开
    • ISBN:9787111677628
    • 版权提供:机械工业出版社
    • 作者:杨游云,周健
    • 著:杨游云,周健
    • 装帧:平装
    • 印次:1
    • 定价:89.00
    • ISBN:9787111677628
    • 出版社:机械工业出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2021-03-01
    • 页数:224
    • 外部编号:1202319452
    • 版次:1
    • 成品尺寸:暂无

    前言

    章Python安装方法

    1.1Python介绍

    1.1.1Python的由来

    1.1.2Python的特点

    1.2Anaconda安装

    1.3PyCharm安装及环境配置

    1.3.1PyCharm安装

    1.3.2PyCharm环境配置

    1.4为什么建议使用Python

    1.5本章小结

    第2章认识广告数据分析

    2.1广告数据概述

    2.1.1广告数据的特点

    2.1.2广告数据分析的意义

    2.2广告数据分布

    2.2.1伯努利分布

    2.2.2均匀分布

    2..二项分布

    2.2.4正态分布

    2.2.5泊松分布

    2.2.6指数分布

    .异常值诊断

    ..1三倍标准差法

    ..2箱形图分析法

    2.4数据相关

    2.4.1Pearson相关系数

    2.4.2Spearman秩相关系数

    2.5显著检验

    2.6本章小结

    第3章Python广告数据分析常用工具包

    3.1数据基础运算工具:NumPy

    3.1.1常见数据结构

    3.1.2索引与切片

    3.1.3数组运算

    3.1.4矩阵运算

    3.1.5广播

    3.1.6常用作
    3.2数据预处理工具:Pandas

    3.2.1数据结构概述

    3.2.2数据加载

    3..数据拼接

    3.2.4数据聚合

    3.2.5数据透视表和交表
    3.2.6广告缺失值处理

    3.3数据可视化分析工具:Matplotlib

    3.3.1散点图

    3.3.2条形图

    3.3.3折线图

    3.3.4饼图

    3.3.5直方图

    3.3.6箱形图

    3.3.7组合图

    3.4本章小结

    第4章模型常用评价指标

    4.1回归模型常用评价指标

    4.1.1R2

    4.1.2调整后的R2

    4.2分类模型常用评价指标

    4.2.1混淆矩阵

    4.2.2ROC曲线

    4..AUC

    4.2.4KS指标

    4.2.5提升度

    4.3本章小结

    第5章利用Python建立广告分类模型

    5.1逻辑回归

    5.1.1逻辑回归原理

    5.1.2损失函数

    5.1.3利用Python建立逻辑回归

    5.2决策树

    5.2.1决策树概述

    5.2.2决策树算法

    5..决策树剪枝处理

    5.2.4决策树的实现

    5.3KNN

    5.3.1距离度量

    5.3.2KNN算法原理

    5.3.3KNN算法中K值的选取

    5.3.4KNN中的一些注意事项

    5.3.5KNN分类算法实现

    5.4SVM

    5.4.1优选间隔超平面

    5.4.2支持向量

    5.4.3目标函数

    5.4.4软间隔优选化

    5.4.5核函数

    5.4.6SVM算法的应用

    5.5神经网络

    5.5.1结构特点

    5.5.2训练过程

    5.5.3激活函数

    5.5.4损失函数

    5.5.5神经网络的实现

    5.6本章小结

    第6章利用Python建立广告集成模型

    6.1随机森林

    6.1.1随机森林的Bagging思想

    6.1.2随机森林的生成及优点

    6.1.3袋外误差

    6.1.4Scikit-learn随机森林类库介绍

    6.1.5随机森林模型的实现

    6.2GBDT

    6.2.1GBDT算法思想

    6.2.2GBDT算法原理

    6..Scikit-learnGBDT类库介绍

    6.2.4使用Scikit-learn类库实现GBDT算法

    6.3XGBoost

    6.3.1XGBoost算法思想

    6.3.2XGBoost算法原理

    6.3.3XGBoost算法的优点

    6.3.4XGBoost类库参数

    6.3.5使用Scikit-learn类库实现XGBoost算法

    6.4Stacking

    6.4.1Stacking算法思想

    6.4.2Stacking算法原理

    6.4.3Stacking算法实现

    6.5LR+GBDT

    6.5.1LR+GBDT原理

    6.5.2LR+GBDT在广告CTR中的应用

    6.5.3LR+GBDT算法实现

    6.6FM

    6.6.1FM的原理

    6.6.2FM的改进

    6.6.3FM的Python实现

    6.7本章小结

    第7章移动广告常用数据分析方法

    7.1App下载数据分析

    7.2游戏行业用户分析

    7.2.1游戏行业数据分析的作用

    7.2.2游戏行业的关键数据指标

    7..游戏用户数据分析方法

    7.3电商类App用户转化分析

    7.4工具类App用户分析

    7.5本地O2O婚纱摄影行业分析

    7.5.1精准人群定向

    7.5.2广告创意素材

    7.6品牌广告与效果广告

    7.7本章小结

    第8章广告数据分析报告

    8.1分析观点明确,逻辑清晰

    8.2汇报结果,用数据说话

    8.3分析过程有理有据

    8.4图表说明

    8.5数据验

    8.6分析建议

    8.7本章小结

    第9章广告用户数据挖掘与分析

    9.1广告用户曝光与响应率分析

    9.2广告用户曝光与点击率分析

    9.3广告订单消耗与分析

    9.3.1BudgetSmooth算法

    9.3.2BudgetSmooth的系统设计

    9.4Lookalike聚类分析

    9.4.1Lookalike概述

    9.4.2K-means聚类

    9.4.3K-means算法的过程

    9.4.4K-means算法的实现

    9.5Lookalike技术在广告中的应用

    9.5.1Lookalike的基本流程

    9.5.2社交中的Lookalike应用

    9.6本章小结

    0章广告数据预处理与特征选择

    10.1广告数据预处理

    10.1.1特征缩放

    10.1.2征编

    10.2常用特征选择方法

    10.2.1Filter

    10.2.2Wrapper

    10..Embedded

    10.3PCA

    10.3.1PCA的主要思想

    10.3.2优选方差理论

    10.4本章小结

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购