《Python广告数据挖掘与分析实战》内容简介

本书共十二章，第1-4章重在介绍移动广告营销数据分析理论与案例分析，包括广告数据分析的基本概念、内容和意义，广告数据分析相关理论知识及常用分析方法，移动广告营销常见的数据分析案例剖析以及如何做一份让领导满意的数据分析报告；本书第5-6章主要介绍Python软件安装及常用包的主要用法。本书第7-10章主要介绍利用Python实现移动广告营销中常见的机器学习算法，重点掌握常用的模型评价方法，模型原理、实现方法和技巧，其中包括混淆矩阵、AUC、ROC等常用模型评价方法以及线性回归、逻辑回归、决策树、KNN、SVM、神经网络、随机森林、GBDT、XGBoost、Stacking等常用监督学习算法。第11章主要介绍k-means聚类、Lookalike相似用户挖掘等常用无监督学习算法及实现方法。第12章主要介绍移动广告营销常用的特征选择及特征工程方法。读者如果只想了解数据分析相关概念和方法，可以选择性阅读本书前四章内容，后八章偏向数据挖掘算法和编程实践等内容，有兴趣可以深入阅读全书。
本书作者杨游云、周健。

作品目录

前言
第1章：Python安装方法
1.1、Python介绍
1.2、Anaconda安装
1.3、PyCharm安装及环境配置
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
2.2、广告数据分布
2.3、异常值诊断
2.4、数据相关性
2.5、显著性检验
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
3.2、数据预处理工具：Pandas
3.3、数据可视化分析工具：Matplotlib
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
4.2、分类模型常用评价指标
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
5.2、决策树
5.3、KNN
5.4、SVM
5.5、神经网络
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
6.2、GBDT
6.3、XGBoost
6.4、Stacking
6.5、LR+GBDT
6.6、FM
6.7、本章小结
第7章：移动广告常用数据分析方法
7.1、App下载数据分析
7.2、游戏行业用户分析
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
7.6、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、数据验证
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、广告订单消耗与延时性分析
9.4、Lookalike聚类分析
9.5、Lookalike技术在广告中的应用
9.6、本章小结
第10章：广告数据预处理与特征选择
10.1、广告数据预处理
10.2、常用特征选择方法
10.3、PCA
10.4、本章小结