Python广告数据挖掘与分析实战

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。

前言
第1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
2.2.3二项分布
2.2.4正态分布
2.2.5泊松分布
2.2.6指数分布
2.3异常值诊断
2.3.1三倍标准差法
2.3.2箱形图分析法
2.4数据相关性
2.4.1Pearson相关系数
2.4.2Spearman秩相关系数
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
3.1.1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其他常用操作
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
3.2.3数据拼接
3.2.4数据聚合
3.2.5数据透视表和交叉表
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
4.2.3AUC
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
5.2.3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
6.2.3Scikit-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
7.2.3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
9.3.1BudgetSmooth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微信社交中的Lookalike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
10.1.1特征缩放
10.1.2特征编码
10.2常用特征选择方法
10.2.1Filter
10.2.2Wrapper
10.2.3Embedded
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