更新时间：2021-06-24 11:29:59
封面
版权信息
作者简介
序一
序二
前言
第一部分 观测数据的分析技术
第1章 如何分析用户的选择
1.1 深入理解选择行为
1.2 DCM详述
1.3 DCM模型的Python实践
1.4 本章小结
第2章 与时间相关的行为分析
2.1 生存分析与二手车定价案例
2.2 生存分析的理论框架
2.3 生存分析在二手车定价案例中的应用
2.4 本章小结
第3章 洞察用户长期价值： 基于神经网络的LTV建模
3.1 用户长期价值的概念和商业应用
3.2 基于Keras的LTV模型实践
3.3 本章小结
第4章 使用体系化分析方法进行场景挖掘
4.1 经验化分析与体系化分析
4.2 体系化分析常用工具
4.3 场景挖掘分析的应用与实现
4.4 本章小结
第5章 行为规律的发现与挖掘
5.1 对有序数据的规律分析
5.2 SVD聚类建模Python实战
5.3 对无序稀疏数据的规律分析
5.4 本章小结
第6章 对观测到的事件进行因果推断
6.1 使用全量评估分析已发生的事件
6.2 全量评估的主要方法
6.3 全量评估方法的应用
6.4 本章小结
第二部分 实验设计和分析技术
第7章 如何比较两个策略的效果
7.1 正确推断因果关系
7.2 运用A/B实验进行策略比较
7.3 A/B实验应用步骤
7.4 A/B实验案例
7.5 本章小结
第8章 提高实验效能
8.1 控制实验指标方差的必要性和手段
8.2 用随机区组设计控制实验指标方差
8.3 随机区组实验应用步骤
8.4 随机区组实验案例介绍
8.5 随机区组实验的常见问题
8.6 本章小结
第9章 特殊场景下的实验设计和分析方法
9.1 解决分流实验对象之间的干扰
9.2 Switchback实验和评估方法
9.3 交叉实验
9.4 强约束条件下的实验方法
9.5 本章小结
第三部分 自助式数据科学平台SQLFlow
第10章 SQLFlow
10.1 SQLFlow简介
10.2 设置SQLFlow运行环境
10.3 向SQLFlow提交分析模型
10.4 本章小结
第11章 机器学习模型可解释性
11.1 模型的可解释性
11.2 常见的可解释模型
11.3 黑盒模型的解释性
11.4 本章小结
第12章 基于LSTM-Autoencoder的无监督聚类模型
12.1 聚类分析的广泛应用
12.2 聚类模型的应用案例
12.3 SQLFlow中基于深度学习的聚类模型
12.4 本章小结
