广告营销行业数据分析入门指导书
近几年来大数据、云计算、人工智能等概念越来越深入人心，相关技术也越来越成熟。技术的进步必然会带来社会的发展，进而推动整个人类社会不断进步。机器学习、深度学习、强化学习等均属于人工智能的细分领域，数据分析又是机器学习的基础，近几年在现实中的应用场景非常多，作用越发明显，因而越来越受到重视。随着5G时代的到来，数据分析、AI方面的人才将更加紧缺，可以说未来很长一段时间数据分析人才都会是招聘市场上的高端人才，备受企业青睐。
《Python广告数据挖掘与分析实战》旨在帮助读者快速了解移动广告相关业务知识及具体应用，掌握数据分析相关理论和实践技能。
本书主要热点
本书将深入剖析广告营销行业的常见数据分析案例，并结合当前热门的机器学习和AI算法在广告营销场景的具体应用进行介绍，帮助读者更好地理解广告行业相关业务与技术应用，快速掌握广告营销数据分析所需要的基本知识和技能。书中采用Python作为项目实战编程语言，可帮助读者学习用Python进行数据分析和解决现实问题。
本书读者对象
本书是一本广告营销行业数据分析入门指导书，适合的读者对象主要分为下面几类：
广告营销专业的在校学生；
对广告营销数据分析感兴趣的其他行业从业者；
想转行做广告数据分析的职场白领、开发人员、其他技术人员等。
如何阅读本书
这是一部营销和广告数据挖掘与分析的实战指南，横跨技术和业务两个维度，理论与实践相结合。技术维度，结合营销与广告行业的实际需求，系统讲解了广告数据挖掘的模型、算法以及数据分析方法，从而实现面向用户的精准营销；业务维度，结合广告业务的具体场景，为广告中的具体问题提供解决方案。更重要的是，本书还讲解了热门的机器学习算法在广告数据挖掘与分析中的应用。
全书共 10 章，从逻辑上可分为技术理论知识和具体业务应用两个部分。
第1～2 章主要介绍了Python的安装和环境配置，以及广告数据和广告数据分析的基础知识；
第3～6章深入讲解了Python常用的工具包、模型常用的评价指标，以及如何利用Python建立广告分类模型和集成模型。
第7～8章讲解了广告数据分析的典型案例和常用分析方法，以及如何做一份满意的数据分析报告。
第9章讲解了如何运用数据分析与挖掘方法解决广告业务中的实际问题。
第10章主要讲解了常用的数据预处理及特征选择方法。
目录
前言
第1章 Python安装方法1
1.1 Python介绍1
1.1.1 Python的由来1
1.1.2 Python的特点2
1.2 Anaconda安装2
1.3 PyCharm安装及环境配置9
1.3.1 PyCharm安装9
1.3.2 PyCharm环境配置12
1.4 为什么建议使用Python17
1.5 本章小结18
第2章 认识广告数据分析19
2.1 广告数据概述19
2.1.1 广告数据的特点19
2.1.2 广告数据分析的意义20
2.2 广告数据分布20
2.2.1 伯努利分布20
2.2.2 均匀分布20
2.2.3 二项分布21
2.2.4 正态分布22
2.2.5 泊松分布22
2.2.6 指数分布23
2.3 异常值诊断24
2.3.1 三倍标准差法24
2.3.2 箱形图分析法25
2.4 数据相关性26
2.4.1 Pearson相关系数26
2.4.2 Spearman秩相关系数26
2.5 显著性检验27
2.6 本章小结27
第3章 Python广告数据分析常用工具包29
3.1 数据基础运算工具：NumPy29
3.1.1 常见数据结构30
3.1.2 索引与切片34
3.1.3 数组运算35
3.1.4 矩阵运算39
3.1.5 广播42
3.1.6 其他常用操作43
3.2 数据预处理工具：Pandas46
3.2.1 数据结构概述47
3.2.2 数据加载49
3.2.3 数据拼接53
3.2.4 数据聚合57
3.2.5 数据透视表和交叉表59
3.2.6 广告缺失值处理60
3.3 数据可视化分析工具：Matplotlib63
3.3.1 散点图64
3.3.2 条形图65
3.3.3 折线图66
3.3.4 饼图68
3.3.5 直方图68
3.3.6 箱形图71
3.3.7 组合图72
3.4 本章小结74
第4章 模型常用评价指标75
4.1 回归模型常用评价指标75
4.1.1 R275
4.1.2 调整后的R276
4.2 分类模型常用评价指标77
4.2.1 混淆矩阵77
4.2.2 ROC曲线79
4.2.3 AUC80
4.2.4 KS指标82
4.2.5 提升度85
4.3 本章小结87
第5章 利用Python建立广告分类模型88
5.1 逻辑回归88
5.1.1 逻辑回归原理88
5.1.2 损失函数89
5.1.3 利用Python建立逻辑回归92
5.2 决策树92
5.2.1 决策树概述92
5.2.2 决策树算法93
5.2.3 决策树剪枝处理96
5.2.4 决策树的实现97
5.3 KNN98
5.3.1 距离度量98
5.3.2 KNN算法原理99
5.3.3 KNN算法中K值的选取100
5.3.4 KNN中的一些注意事项100
5.3.5 KNN分类算法实现101
5.4 SVM101
5.4.1 最大间隔超平面101
5.4.2 支持向量103
5.4.3 目标函数104
5.4.4 软间隔最大化106
5.4.5 核函数107
5.4.6 SVM算法的应用109
5.5 神经网络110
5.5.1 结构特点110
5.5.2 训练过程111
5.5.3 激活函数114
5.5.4 损失函数117
5.5.5 神经网络的实现118
5.6 本章小结118
第6章 利用Python建立广告集成模型119
6.1 随机森林119
6.1.1 随机森林的Bagging思想119
6.1.2 随机森林的生成及优点120
6.1.3 袋外误差121
6.1.4 Scikit-learn随机森林类库介绍122
6.1.5 随机森林模型的实现123
6.2 GBDT124
6.2.1 GBDT算法思想124
6.2.2 GBDT算法原理125
6.2.3 Scikit-learn GBDT类库介绍126
6.2.4 使用Scikit-learn类库实现GBDT算法127
6.3 XGBoost128
6.3.1 XGBoost算法思想128
6.3.2 XGBoost算法原理129
6.3.3 XGBoost算法的优点130
6.3.4 XGBoost类库参数131
6.3.5 使用Scikit-learn类库实现XGBoost算法132
6.4 Stacking133
6.4.1 Stacking算法思想134
6.4.2 Stacking算法原理135
6.4.3 Stacking算法实现136
6.5 LR+GBDT137
6.5.1 LR+GBDT原理138
6.5.2 LR+GBDT在广告CTR中的应用139
6.5.3 LR+GBDT算法实现140
6.6 FM142
6.6.1 FM的原理142
6.6.2 FM的改进145
6.6.3 FM的Python实现145
6.7 本章小结147
第7章 移动广告常用数据分析
上下滑动查看
京东限时5折选购
扫码关注【图书小编辑】视频号
每天来听华章哥讲书
更多精彩回顾
书讯 | 4月书讯 | 好书和最美四月天一起来了...
资讯 | RedMonk 编程语言排行榜：JS持续霸榜，Dart 快速上升！
书单 | 8本书助你零基础转行数据分析岗
干货 | 数字化转型最致命的5个误区
收藏 | Redis最佳实践：7个维度+43条使用规范，带你彻底玩转Redis | 附实践清单
赠书 | 【第50期】10本金融科技好书为你转行、升职和加薪助力
点击阅读全文购买