| 作者 |
| 刘鹏 高中强 等 |
| 丛书名 |
| 金融科技 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782112201817 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8085024 - Python金融数据挖掘与分析实战--------------------------- 内容简介 这是一本金融数据挖掘与分析领域的实战性著作，它能指导零Python编程基础和零数据挖掘与分析基础的读者快速掌握金融数据挖掘与分析的工具、技术和方法。 读完本书，你将会有如下3个方面的收获： （1）Python编程基础和数据预处理 首先详细讲解了Python的核心语法，以及NumPy、Matplotlib、PySpark、Jupyter Notebook等Python数据处理工具的使用；然后详细介绍了数据预处理的流程和技巧。通过深入浅出的语言和丰富的样例展示，帮助初学者快速上手 Python，为之后的数据分析实战夯实基础。 （2）数据挖掘与分析的经典方法 详细讲解了经典的数据挖掘方法，包括聚类分析、回归分析、分类分析、异常检测、关联分析、时间序列分析等。 （3）主要金融应用场景的数据挖掘方法 针对网络舆情的采集和热点分析、舆情分析中的情感分析、股价趋势预测、个人信用评分、企业信用评分、用户画像、目标客户精准分析、销售数据分析等金融行业的常见应用场景，给出了数据挖掘和分析的方法。 本书注重实战，配有大量精心设计的案例，同时还有配套的视频讲解、代码和数据资源，可操作性强。 ---------------------------8079652 - Python广告数据挖掘与分析实战--------------------------- . 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。前6章以及第10章主要讲解了广告数据分析与挖掘的技术、方法和应用，第7～9 章则主要讲解了广告业务中的具体问题及相应的解决方法。 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 |
| [套装书具体书目] 8079652 - Python广告数据挖掘与分析实战 - 9787111677628 - 机械工业出版社 - 定价 89 8085024 - Python金融数据挖掘与分析实战 - 9787111696506 - 机械工业出版社 - 定价 109 ---------------------------8085024 - Python金融数据挖掘与分析实战--------------------------- 前 言 第1章 Python工作环境准备 1 1.1 Anaconda环境安装 1 1.2 常用Python 交互工具 4 1.3 Jupyter Notebook简介 6 1.4 习题 9 第2章 Python入门 10 2.1 Python基础知识 10 2.2 Python基础语法 11 2.3 Python变量类型 15 2.4 Python运算符 20 2.4.1 算术运算符 20 2.4.2 比较运算符 22 2.4.3 赋值运算符 23 2.4.4 按位运算符 24 2.4.5 逻辑运算符 25 2.4.6 成员运算符 26 2.4.7 身份运算符 27 2.4.8 运算符优先级 28 2.5 Python条件与循环语句 29 2.5.1 条件语句 29 2.5.2 循环语句 31 2.6 Python函数 38 2.7 Python模块 43 2.8 Python 文件处理 46 2.9 Python异常 48 2.10 数据分析相关库 50 2.10.1 NumPy 50 2.10.2 Matplotlib 51 2.10.3 PySpark 53 2.10.4 其他常用库 54 2.11 习题 55 第3章 数据预处理 56 3.1 数据分析工作流程 56 3.2 数据预处理 58 3.2.1 数据集导入 59 3.2.2 数据概览 60 3.2.3 数据清洗 61 3.2.4 类别变量转换 66 3.2.5 数据分割 67 3.2.6 特征缩放 68 3.3 鸟瞰机器学习 71 3.4 习题 72 第4章 数据挖掘方法 74 4.1 分类分析 74 4.1.1 决策树 75 4.1.2 支持向量机 75 4.1.3 分类算法的选择 76 4.2 聚类分析 76 4.2.1 K均值算法 77 4.2.2 聚类算法和分类算法的区别 78 4.3 回归分析 78 4.3.1 变量间的关系 79 4.3.2 回归分析算法的分类和步骤 79 4.3.3 回归分析算法的选择 81 4.4 关联分析 81 4.4.1 关联规则 82 4.4.2 关联规则的序列模式 82 4.5 时间序列分析 83 4.5.1 时间序列分析方法和步骤 83 4.5.2 时间序列的三种预测模式 85 4.6 异常检测 85 4.7 推荐算法 86 4.8 习题 89 第5章 网络舆情采集与热点分析 90 5.1 网络舆情概述 90 5.1.1 大数据网络舆情背景 90 5.1.2 舆情处理过程 91 5.2 舆情数据采集 94 5.2.1 网络舆情采集工具 95 5.2.2 网络舆情数据爬取实例 100 5.3 实战：微博热点话题聚类 104 5.4 习题 110 第6章 舆情研判之情感分类 112 6.1 情感分析介绍 112 6.1.1 情感分析分类 112 6.1.2 情感分析文本预处理 114 6.1.3 实战：中文文本处理练习 115 6.2 情感分类方法 118 6.2.1 基于词典的情感分类 118 6.2.2 基于机器学习的情感分类 121 6.2.3 基于深度学习模型的情感分类 122 6.3 情感分类实战演练 131 6.3.1 淘宝家电商品评论情感分类预测 131 6.3.2 京东客户评论情感倾向预测 134 6.4 习题 140 第7章 用机器学习方法预测股价 142 7.1 股市数据分析价值 142 7.1.1 案例背景 142 7.1.2 案例价值 143 7.2 ARIMA模型 144 7.3 实战：基于SVM和ARIMA的股价预测 145 7.4 习题 156 第8章 用人工智能方法预测股价 157 8.1 神经网络预测方法 157 8.1.1 门控循环单元 158 8.1.2 VADER情感分析 158 8.2 实战：基于LSTM和GRU的股价预测 159 8.3 实战：股票市场新闻情感分析 165 8.4 习题 172 第9章 个人信用评分 173 9.1 个人信用评分概述 173 9.1.1 需求背景 174 9.1.2 国内外发展状况 175 9.2 信用评分的技术与方法 176 9.2.1 信用评分的简要历史 176 9.2.2 信用评分的主要模型与方法 176 9.3 信用评分卡模型 180 9.3.1 模型介绍 180 9.3.2 数据分箱 180 9.3.3 WOE值 182 9.3.4 IV值 183 9.3.5 逻辑回归算法原理 185 9.3.6 模型评价指标 186 9.3.7 建立信用评分卡 190 9.4 实战：信用评分卡 190 9.4.1 读取数据 191 9.4.2 数据预处理 191 9.4.3 探索性分析 197 9.4.4 模型分析 204 9.4.5 建立信用评分卡 208 9.5 习题 211 第10章 个人信用等级评估 213 10.1 概述 213 10.2 个人信用等级评估方法 215 10.2.1 决策树 215 10.2.2 随机森林 221 10.2.3 XGBoost简介 224 10.2.4 多重共线性 228 10.2.5 数据重采样 229 10.3 实战：个人信用等级评估 232 10.3.1 导入相应包并读取数据 232 10.3.2 查看数据情况 234 10.3.3 数据预处理及相关函数构建 241 10.3.4 模型训练 244 10.3.5 预测并生成结果 251 10.4 习题 253 第11章 企业信用评估 255 11.1 企业信用评估概述 255 11.2 企业信用评估的技术与方法 257 11.2.1 支持向量机 257 11.2.2 朴素贝叶斯 259 11.2.3 感知机 260 11.3 实战：企业信用评估 261 11.3.1 导入相应包并读取数据 261 11.3.2 数据预处理 262 11.3.3 可视化各变量总体分布直方图 264 11.3.4 建模分析预测企业违约情况 271 11.3.5 模型评估 273 11.3.6 模型预测 273 11.4 习题 274 第12章 用户画像 276 12.1 用户画像的价值 276 12.1.1 用户画像的定义 277 12.1.2 标签体系 278 12.1.3 用户画像的意义 282 12.2 用户画像的构建 283 12.2.1 用户画像的构建步骤 283 12.2.2 创建用户画像的方法 287 12.2.3 丰富用户画像 290 12.3 实战：电商用户画像构建 292 12.4 实战：电商用户行为分析 303 12.5 习题 321 第13章 目标客户运营 322 13.1 目标客户运营概述 322 13.2 目标客户运营模型 323 13.2.1 目标客户模型探索 323 13.2.2 目标客户聚类算法 326 13.3 目标客户的挖掘与分类 330 13.3.1 挖掘目标客户 331 13.3.2 目标客户的可视化工具 332 13.3.3 基于RFM模型的客户分类 333 13.3.4 基于LRFMC模型的客户分类 334 13.4 实战：商场客户细分管理 335 13.4.1 导入相关库 335 13.4.2 数据可视化及分析 336 13.4.3 K均值聚类分析 342 13.5 实战：航空公司VIP客户体系管理 345 13.5.1 数据集说明 345 13.5.2 导入相关库 346 13.5.3 数据分析及可视化 347 13.5.4 特征属性的相关性分析 354 13.5.5 属性规约 355 13.5.6 构建聚类模型 357 13.5.7 客户分群可视化 361 13.6 习题 363 第14章 智能推荐 364 14.1 精准营销概述 364 14.1.1 传统营销 365 14.1.2 新时代营销 366 14.2 智能推荐概述 367 14.2.1 Apriori算法 369 14.2.2 FP-Growth算法 374 14.2.3 关联规则的应用实例 378 14.3 实战：火锅店推荐 379 14.3.1 导入相关库 380 14.3.2 数据可视化及分析 381 14.3.3 特色菜推荐 386 14.3.4 K均值聚类分析 387 14.3.5 智能推荐器 388 14.4 实战：基于关联规则的数据挖掘 390 14.4.1 导入相关库 391 14.4.2 数据可视化及分析 392 14.4.3 关联分析—Apriori算法 398 14.5 习题 401 参考文献 403 ---------------------------8079652 - Python广告数据挖掘与分析实战--------------------------- 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方法149 7.1 App下载数据分析149 7.2 游戏行业用户分析151 7.2.1 游戏行业数据分析的作用152 7.2.2 游戏行业的关键数据指标152 7.2.3 游戏用户数据分析方法154 7.3 电商类App用户转化分析156 7.4 工具类App用户分析162 7.5 本地O2O婚纱摄影行业分析163 7.5.1 精准人群定向164 7.5.2 广告创意素材164 7.6 品牌广告与效果广告166 7.7 本章小结168 第8章 广告数据分析报告169 8.1 分析观点明确，逻辑清晰169 8.2 汇报结果，用数据说话170 8.3 分析过程有理有据171 8.4 图表说明171 8.5 数据验证173 8.6 分析建议173 8.7 本章小结174 第9章 广告用户数据挖掘与分析175 9.1 广告用户曝光与响应率分析175 9.2 广告用户曝光与点击率分析178 9.3 广告订单消耗与延时性分析181 9.3.1 Budget Smooth算法184 9.3.2 Budget Smooth的系统设计184 9.4 Lookalike聚类分析186 9.4.1 Lookalike概述186 9.4.2 K-means聚类187 9.4.3 K-means算法的过程188 9.4.4 K-means算法的实现188 9.5 Lookalike技术在广告中的应用190 9.5.1 Lookalike的基本流程190 9.5.2 微信社交中的Lookalike应用191 9.6 本章小结192 第10章 广告数据预处理与特征选择193 10.1 广告数据预处理193 10.1.1 特征缩放193 10.1.2 特征编码195 10.2 常用特征选择方法197 10.2.1 Filter198 10.2.2 Wrapper203 10.2.3 Embedded207 10.3 PCA209 10.3.1 PCA的主要思想209 10.3.2 最大方差理论210 10.4 本章小结214 |