دانلود کتاب Python for Marketing Research and Analytics
کتاب پایتون برای تحقیقات بازاریابی و تجزیه و تحلیل نسخه زبان اصلی
دانلود کتاب پایتون برای تحقیقات بازاریابی و تجزیه و تحلیل بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Python for Marketing Research and Analytics
نام کتاب : Python for Marketing Research and Analytics
ویرایش : 1st ed.
عنوان ترجمه شده به فارسی : پایتون برای تحقیقات بازاریابی و تجزیه و تحلیل
سری :
نویسندگان : Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit
ناشر : Springer International Publishing;Springer
سال نشر : 2020
تعداد صفحات : 273
ISBN (شابک) : 9783030497194 , 9783030497200
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 14 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
این کتاب مقدمه ای بر بازاریابی کمی با پایتون ارائه می دهد. این کتاب یک رویکرد عملی برای استفاده از پایتون برای سوالات بازاریابی واقعی ارائه می‌کند که بر اساس حوزه‌های موضوعی کلیدی سازماندهی شده‌اند. پس از حرکت محاسباتی علمی پایتون به سمت تحقیقات تکرارپذیر، این کتاب تمام تحلیل‌ها را در نوت‌بوک‌های Colab ارائه می‌کند که کد، شکل‌ها، جداول و حاشیه‌نویسی را در یک فایل واحد ادغام می‌کند. دفترچه‌های کد برای هر فصل ممکن است کپی، تطبیق داده شوند و در تحلیل‌های خود مجدداً استفاده شوند. این کتاب همچنین استفاده از مدل‌های پیش‌بینی یادگیری ماشین را با استفاده از بسته Python sklearn در زمینه تحقیقات بازاریابی معرفی می‌کند.
این کتاب برای سه گروه از خوانندگان طراحی شده است: محققان بازاریابی با تجربه که مایل به یادگیری برنامه نویسی در پایتون هستند، از ابزارها و زبان هایی مانند R، SAS، یا SPSS. تحلیلگران یا دانشجویانی که قبلاً در پایتون برنامه‌ریزی می‌کنند و مایلند در مورد برنامه‌های بازاریابی بیاموزند. و دانشجویان کارشناسی یا کارشناسی ارشد بازاریابی با سابقه برنامه نویسی کم یا بدون پیشینه. این فقط یک سطح مقدماتی از آشنایی با آمار رسمی را فرض می کند و حاوی حداقل ریاضیات است.
فهرست مطالب :
Front Matter ....Pages i-xi
Front Matter ....Pages 1-1
Welcome to Python (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 3-7
An Overview of Python (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 9-45
Front Matter ....Pages 47-47
Describing Data (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 49-75
Relationships Between Continuous Variables (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 77-102
Comparing Groups: Tables and Visualizations (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 103-120
Comparing Groups: Statistical Tests (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 121-136
Identifying Drivers of Outcomes: Linear Models (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 137-165
Additional Linear Modeling Topics (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 167-192
Front Matter ....Pages 193-193
Reducing Data Complexity (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 195-222
Segmentation: Unsupervised Clustering Methods for Exploring Subpopulations (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 223-241
Classification: Assigning Observations to Known Categories (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 243-261
Conclusion (Jason S. Schwarz, Chris Chapman, Elea McDonnell Feit)....Pages 263-263
Back Matter ....Pages 265-272
توضیحاتی در مورد کتاب به زبان اصلی :
This book provides an introduction to quantitative marketing with Python. The book presents a hands-on approach to using Python for real marketing questions, organized by key topic areas. Following the Python scientific computing movement toward reproducible research, the book presents all analyses in Colab notebooks, which integrate code, figures, tables, and annotation in a single file. The code notebooks for each chapter may be copied, adapted, and reused in one's own analyses. The book also introduces the usage of machine learning predictive models using the Python sklearn package in the context of marketing research.
This book is designed for three groups of readers: experienced marketing researchers who wish to learn to program in Python, coming from tools and languages such as R, SAS, or SPSS; analysts or students who already program in Python and wish to learn about marketing applications; and undergraduate or graduate marketing students with little or no programming background. It presumes only an introductory level of familiarity with formal statistics and contains a minimum of mathematics.