Введение 3
1. Научная составляющая 5
1.1. Обзор литературы 5
1.2. Контекстная реклама в сфере прогнозирования 7
1.3. Методы машинного обучения для прогнозирования 9
2. Реализация 20
2.1. Предварительный анализ данных 20
2.2. Выбор модели 27
2.3. Визуализация результатов 30
Заключение 34
Глоссарий 35
Список использованных источников 37
Приложение
Целью этого исследования является разработка моделей прогнозирования эффективности контекстной рекламы с помощью различных методов машинного обучения и сравнение показателей их точности для выделения наилучшей. Это поможет рекламодателям использовать соответствующие методы для увеличения общего дохода.
Для достижения поставленной цели необходимо решить следующие задачи:
1. провести исследовательский анализ прогнозирования онлайн кликабельности рекламы;
2. изучить данные о пользователях, выбрать наиболее важные параметры;
3. построить и обучить модели, вывести с наибольшим показателем точности;
4. реализовать все на языке программирования Python, с использованием инструмента для работы Jupyter Notebook и библиотек машинного обучения.
5. развернуть модели и визуализировать их через веб-инструмент React.
Объект исследования — исследование и анализ данных о кликабельности объявлений, построение моделей с помощью машинного обучения.
Предмет исследования — кликабельность онлайн-рекламы.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка модели прогнозирования эффективности контекстной рекламы #9103770
Артикул: 9103770
- Предмет: Программная инженерия
- Уникальность: 70% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 41
- Формат файла: docx
- Последняя покупка: 16.01.2024
2 499p.
1. Алашкин П. Всё о рекламе и продвижении в Интернете. Москва: Альпина Паблишер, 2016. 220с
2. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. Москва: МЦНМО, 2014. 304с.
3. Лисова А. М., Клементьева С. В. Исследование методов прогнозирования и оценки эффективности инвестиций в развитие интернет-маркетинга компании в сфере B2B //Управление научно-техническими проектами. – 2019. – С. 252-258.
4. Луговой А. А., Кайфеджан Д. П. Выбор инструментов интернет-продвижения с искусственным интеллектом //Научные механизмы решения проблем. – 2017. – С. 152.
5. Магомедов Г. Д., Кахриманова Д. Г., Кирпичева М. А. Повышение эффективности рекламной деятельности с использованием сети Интернет //Аудит и финансовый анализ. – 2016. – №. 2. – С. 289-291.
6. Мельников В. А. Использование искусственного интеллекта в рекламе//Студенческий. – 2019. – №. 3-2. – С. 53-58.
7. Мешечкин В. В. Теория прогнозирования. Кемерово: КемГУ, 2016. 88с.
8. Никулин Д. Н. и др. Система контекстной рекламы Яндекс. Директ
//Экономика и управление: анализ тенденций и перспектив развития. – 2013. – №. 8. – С. 76-80.
9. Саввин И. С. Технологии и разработка системы сбора данных для маркетинговых исследований //Гагаринские чтения-2019. – 2019. – С. 240-241.
10. Сорокина А. Н. Алгоритм размещения рекламных объявлений над результатами поиска, максимизирующий доход поисковой системы//Информационные процессы. – 2014. – Т. 14. – №. 1. – С. 108-116.
11. Фахуртдинова М. А., Матвиенко О. И., Сушкина А. С. Показатели оценки эффективности рекламы в интернете //Russian Economic Bulletin. – 2020. – Т. 3. – №. 5. – С. 223-225.
12. Хохлова О. А. Методические вопросы анализа эффективности контекстной рекламы //Развитие социально-экономических систем в условиях цифровизации. – 2020. – С. 145-149.
13. Эйнштейн М. Реклама под прикрытием: Нативная реклама, контент-маркетинг и тайный мир продвижения в интернете. Москва: Альпина Паблишер, 2017. 301с.
14. Gharibshah Z., Zhu X. User Response Prediction in Online Advertising //ACM Comput. Surv. – 2021. – V. 37. – I. 4. – P. 1-12.
15. Kolesnikov A., Logachev Y., Topinskiy V. Predicting CTR of new ads via click prediction //Proceedings of the 21st ACM international conference on Information and knowledge management. – 2012. – P. 2547-2550.
16. Manchanda S. et al. Targeted display advertising: the case of preferential attachment //2019 IEEE International Conference on Big Data (Big Data). – IEEE, 2019. – P. 1868-1877.
17. Minastireanu E. A., Mesnita G. Light gbm machine learning algorithm to online click fraud detection //J. Inform. Assur. Cybersecur. –2019. – V.3. – I. April. – P. 1-15.
18. McMahan H. B. et al. Ad click prediction: a view from the trenches
//Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. – 2013. – V. 9. – I. 6. – P. 432-433.
19. Yadlowsky S., Yun T., McLean C., D'Amour A. SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression // arXiv:2103.12725. – 2021.
2. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. Москва: МЦНМО, 2014. 304с.
3. Лисова А. М., Клементьева С. В. Исследование методов прогнозирования и оценки эффективности инвестиций в развитие интернет-маркетинга компании в сфере B2B //Управление научно-техническими проектами. – 2019. – С. 252-258.
4. Луговой А. А., Кайфеджан Д. П. Выбор инструментов интернет-продвижения с искусственным интеллектом //Научные механизмы решения проблем. – 2017. – С. 152.
5. Магомедов Г. Д., Кахриманова Д. Г., Кирпичева М. А. Повышение эффективности рекламной деятельности с использованием сети Интернет //Аудит и финансовый анализ. – 2016. – №. 2. – С. 289-291.
6. Мельников В. А. Использование искусственного интеллекта в рекламе//Студенческий. – 2019. – №. 3-2. – С. 53-58.
7. Мешечкин В. В. Теория прогнозирования. Кемерово: КемГУ, 2016. 88с.
8. Никулин Д. Н. и др. Система контекстной рекламы Яндекс. Директ
//Экономика и управление: анализ тенденций и перспектив развития. – 2013. – №. 8. – С. 76-80.
9. Саввин И. С. Технологии и разработка системы сбора данных для маркетинговых исследований //Гагаринские чтения-2019. – 2019. – С. 240-241.
10. Сорокина А. Н. Алгоритм размещения рекламных объявлений над результатами поиска, максимизирующий доход поисковой системы//Информационные процессы. – 2014. – Т. 14. – №. 1. – С. 108-116.
11. Фахуртдинова М. А., Матвиенко О. И., Сушкина А. С. Показатели оценки эффективности рекламы в интернете //Russian Economic Bulletin. – 2020. – Т. 3. – №. 5. – С. 223-225.
12. Хохлова О. А. Методические вопросы анализа эффективности контекстной рекламы //Развитие социально-экономических систем в условиях цифровизации. – 2020. – С. 145-149.
13. Эйнштейн М. Реклама под прикрытием: Нативная реклама, контент-маркетинг и тайный мир продвижения в интернете. Москва: Альпина Паблишер, 2017. 301с.
14. Gharibshah Z., Zhu X. User Response Prediction in Online Advertising //ACM Comput. Surv. – 2021. – V. 37. – I. 4. – P. 1-12.
15. Kolesnikov A., Logachev Y., Topinskiy V. Predicting CTR of new ads via click prediction //Proceedings of the 21st ACM international conference on Information and knowledge management. – 2012. – P. 2547-2550.
16. Manchanda S. et al. Targeted display advertising: the case of preferential attachment //2019 IEEE International Conference on Big Data (Big Data). – IEEE, 2019. – P. 1868-1877.
17. Minastireanu E. A., Mesnita G. Light gbm machine learning algorithm to online click fraud detection //J. Inform. Assur. Cybersecur. –2019. – V.3. – I. April. – P. 1-15.
18. McMahan H. B. et al. Ad click prediction: a view from the trenches
//Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. – 2013. – V. 9. – I. 6. – P. 432-433.
19. Yadlowsky S., Yun T., McLean C., D'Amour A. SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression // arXiv:2103.12725. – 2021.
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка модели прогнозирования эффективности контекстной рекламы |
| Артикул: | 9103770 |
| Дата написания: | 20.04.2021 |
| Тип работы: | Дипломная работа |
| Предмет: | Программная инженерия |
| Оригинальность: | Антиплагиат.ВУЗ — 70% |
| Количество страниц: | 41 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка. Самой программы нет
В работе представлены только пояснительная записка. Самой программы нет
Файлы артикула: Разработка модели прогнозирования эффективности контекстной рекламы по предмету программная инженерия
Пролистайте "Разработка модели прогнозирования эффективности контекстной рекламы" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 26.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 70% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка системы информационного мониторинга контрагентов банка
СЛЕДУЮЩАЯ РАБОТА
Разработка программных инструментов мониторинга и оценки качества дистанционного образования на платформах MS TEAMS И LMS MOODLE