数据常青藤

• 2022 年
  • 1 月
    • 图书资源
• 2023 年
  • 4 月
    • Python 大数据架构全栈开发与应用：引领未来数据技术的趋势
  • 3 月
    • 企业数字智能概述
• 2015 年
  • 5 月
    • 新奇检测Novelty Detection
• 2022 年
  • 1 月
    • 硬广告渠道——选自《电商流量数据化运营》
  • 2 月
    • 关于博主
  • 1 月
    • MCN渠道——选自《电商流量数据化运营》
    • 发掘流量爆发力强的渠道——选自《电商流量数据化运营》
    • 基于用户行为模式的渠道组合管理——选自《电商流量数据化运营》
    • 广告投放的排期要素管理——选自《电商流量数据化运营》
    • 渠道测试性投放——选自《电商流量数据化运营》
    • 如何分析渠道效果的边际效应——选自《电商流量数据化运营》
    • 如何分析着陆页数据——选自《电商流量数据化运营》
    • 渠道效果影响因素研究——选自《电商流量数据化运营》
    • 《Python数据分析与数据化运营》第一版 勘误
    • 《Python数据分析与数据化运营》第二版 勘误
    • 《Python数据分析与数据化运营》第二版 老代码与新代码对照信息
    • 《Python数据分析与数据化运营》第二版 常见问题
    • 《Python数据分析与数据化运营》第一版 常见问题
    • 《电商流量数据化运营》第一版勘误
    • 《电商流量数据化运营》第一版常见问题
    • 《电商流量数据化运营》上市了！
• 2019 年
  • 1 月
    • 3.12.4 自然语言文本预处理
    • 3.12.3 图像的基本预处理
• 2018 年
  • 12 月
    • 3.11 数据处理应该考虑哪些运营业务因素
  • 8 月
    • 3.12.1 网页数据解析
    • 3.12.2 网络用户日志解析
  • 6 月
    • 3.10 离散化，对运营数据做逻辑分层
    • 3.9 标准化，让运营数据落入相同的范围
    • 3.8 有关相关性分析的混沌
  • 4 月
    • 3.7 解决运营数据的共线性问题
    • 3.6 数据化运营要抽样还是全量数据
    • 3.5 如何解决运营数据源的冲突问题
    • 3.4 解决样本类别分布不均衡的问题
  • 3 月
    • 3.3 大数据时代，数据化运营还需要降维吗
    • 3.2 将分类数据和顺序数据转换为标志变量
    • 3.1 数据清洗：缺失值、异常值和重复值的处理-2代码实操
    • 3.1 数据清洗：缺失值、异常值和重复值的处理-1
  • 2 月
    • 2.3 内容延展：读取非结构化网页、文本、图像、视频、语音
    • 2.2 使用Python获取运营数据-2
    • 2.2 使用Python获取运营数据-1
    • 2.1 数据化运营的数据来源类型
    • 1.4 第一个用Python实现的数据化运营分析实例-销售预测
  • 1 月
    • 案例-基于自动PDQ值的ARIMA时间序列预测应用
    • 案例-基于自动K值的KMeans广告效果聚类分析
• 2017 年
  • 11 月
    • 使用sklearn中的决策树tree 库做分类分析
  • 7 月
    • 机器学习/数据挖掘/深度学习数据集—音频数据集
    • 机器学习/数据挖掘/深度学习数据集—自然语言数据集
    • 机器学习/数据挖掘/深度学习数据集—综合数据集
    • 机器学习/数据挖掘/深度学习数据集—图像和视频数据集
  • 9 月
    • 使用sklearn库中的SVR做回归分析
  • 8 月
    • 《网站数据挖掘与分析 系统方法与商业实践》-写在2017年
    • 《企业大数据系统构建实战：技术、架构、实施与应用》
  • 7 月
    • 混合高斯模型Gaussian Mixture Model(GMM)
    • 适合大数据的聚类算法Mini Batch K-Means
    • 数据预处理-清洗转换
  • 6 月
    • 企业大数据的数据源内容
  • 7 月
    • 使用Python从Excel获取运营数据
• 2015 年
  • 5 月
    • DBSCAN
    • 谱聚类Spectral clustering(SC)
    • 聚类算法Mean Shift
    • 聚类算法Affinity Propagation(AP)
    • K均值(K-Means)
    • 线性判别分析Linear Discriminant Analysis (LDA)
    • 因子分析(Factor Analysis)
    • 独立成分分析Independent component analysis(ICA)
    • 神经网络模型Neural network models
    • 二次判别分析Quadratic Discriminant Analysis(QDA)
    • 主成分分析Principal component analysis(PCA)
    • 离群点检测Outlier Detection
    • 核密度估计Kernel Density Estimation(KDE)