本书围绕数据挖掘竞赛，讲解了各种类型数据挖掘竞赛的解题思路、方法和技巧，并辅以对应的实战案例。全书共11章。第1章介绍数据挖掘竞赛的背景、意义和现状。从第2章开始，介绍了各种不同类型的数据挖掘竞赛包括结构化数据、自然语言处理、计算机视觉（图像）、计算机视觉（视频）、强化学习。每种类型的数据挖掘竞赛包含理论篇和实战篇：理论篇介绍通用的解题流程和关键技术；实战篇选取比较有代表性的赛题，对赛题的优秀方案进行深入分析，并提供方案对应的实现代码。 本书适合数据挖掘竞赛爱好者、人工智能相关专业在校大学生、人工智能方向从业人员及对人工智能感兴趣的读者阅读。

《SAS编程与数据挖掘商业案例》是作者多年来在企业实践工作中的经验总结，详细讲解了使用SAS进行商业数据挖掘的方法。其中包含了目前公开出版的诸多SAS教材没有的大量实战内容。《SAS编程与数据挖掘商业案例》内容全面、新颖独创、综合性强，适合企业人员使用，也可作为数学、统计学、金融、电子商务、医药等专业的本科生、硕士生学习SAS编程和数据挖掘的参考资料。

数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。

数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。

本书系统地介绍了数据挖掘理论、方法与应用，包括数据特征分析与预处理，经典数据挖掘算法（分类、回归、聚类、关联规则和集成学习等），大数据新常态下催生的数据分析方法（推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等）等理论与方法。在此基础上，每章均有基于Python语言的实例应用。本书可以作为高等院校数据科学与大数据技术专业相关课程的教材，以及计算机、软件工程等专业的教材或参考书。高职高专学校相关专业也可选用部分内容开展教学。

本书涵盖了金融数据分析的主要内容，从基础的数据理解、预处理，到高级的数据挖掘技术和模型构建，都有详尽的阐述。本书不仅介绍了数据分析的基本流程和方法，如发现问题、近因分析、根因分析、预测和制定解决方案等，还详细介绍了数据挖掘的方法论，如CRISP-DM和SEMMA等。这些技术和方法不仅具有理论价值，更具备实践意义，能够启发读者在实际业务中运用数据分析解决实际问题。 本书通过大量的案例展示如何运用数据解决实际问题，从数据理解、预处理，到模型构建、评估与应用，还涉及算法工程化内容，助力金融从业者及相关专业人士提升数据分析能力，挖掘数据价值，推动金融业务创新与决策优化。

本书涵盖了金融数据分析的主要内容，从基础的数据理解、预处理，到高级的数据挖掘技术和模型构建，都有详尽的阐述。本书不仅介绍了数据分析的基本流程和方法，如发现问题、近因分析、根因分析、预测和制定解决方案等，还详细介绍了数据挖掘的方法论，如CRISP-DM和SEMMA等。这些技术和方法不仅具有理论价值，更具备实践意义，能够启发读者在实际业务中运用数据分析解决实际问题。 本书通过大量的案例展示如何运用数据解决实际问题，从数据理解、预处理，到模型构建、评估与应用，还涉及算法工程化内容，助力金融从业者及相关专业人士提升数据分析能力，挖掘数据价值，推动金融业务创新与决策优化。

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。

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、JupyterNotebook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，同时还有配套的讲解视频、代码和数据资源，可操作性强。

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。