Spark+ES+ClickHouse 构建DMP用户画像

本站官方QQ群：116064591

PS 本站不保证资源的完整性，不对其真实性负责。请自行确认是否符合个人需求。如有介意，请勿获取。

第1章DMP用户画像项目介绍【5 节 | 33分钟】
- 视频：1-2 DMP项目的意义和课程的侧重点 (09:46)
- 视频：1-3 DMP项目架构及各个模块介绍 (09:35)
- 视频：1-4 项目技术选型及各组件版本 (04:30)
- 视频：1-5 【知识点梳理】本章重难点总结
第2章项目环境搭建【16 节 | 152分钟】
- 视频：2-1 本章重点及学习计划 (01:59)
- 视频：2-3 【项目文档】环境部署步骤
- 图文：2-4 数据准备：表结构和数据导入Hive数仓 (16:06)
- 视频：2-5 【项目文档】表结构和数据导入Hive数仓步骤
- 图文：2-6 数据准备：Hive，ES，ClickHouse导入人群标签数据 (15:50)
- 视频：2-7 【项目文档】Hive，ES，ClickHouse导入人群标签数据步骤
- 图文：2-8 环境搭建和数据导入的常见问题及解决方案 (05:18)
- 视频：2-9 【项目文档】项目整体架构及整体流程
- 图文：2-10 【项目文档】Hive、Hbase、ES、clickhouse表结构
- 图文：2-12 Springboot+JdbcTemplate+druid整合Hive（下） (13:26)
- 视频：2-13 Springboot+Mybatis+phoenix整合Hbase (30:48)
- 视频：2-14 Springboot整合ClickHouse（上） (17:00)
- 视频：2-15 Springboot整合ClickHouse（下） (06:32)
- 视频：2-16 Spark+phoenix整合Hbase (19:53)
第3章DMP和用户画像【7 节 | 27分钟】
- 视频：3-1 本章重点及学习计划 (01:39)
- 视频：3-2 用户画像是如何生成的 (05:34)
- 视频：3-3 用户画像的标签维度 (04:12)
- 视频：3-4 如何构建高质量的用户画像 (06:31)
- 视频：3-5 用户画像和特征工程 (03:30)
- 视频：3-6 DMP用户画像的正确使用场景 (04:49)
- 图文：3-7 【知识点梳理】本章重难点总结
第4章用户画像搭建之特征工程【16 节 | 189分钟】
- 视频：4-1 本章重点及学习计划 (02:59)
- 视频：4-2 特征工程流程 (06:08)
- 视频：4-3 数值型数据的特征提取 (07:32)
- 视频：4-4 文本型数据的特征提取 (07:48)
- 视频：4-5 使用Spark实现中文分词+TF-IDF (17:34)
- 视频：4-6 Spark基于TF-IDF+SVM实现电商商品评论情感提取（上） (15:32)
- 视频：4-7 Spark基于TF-IDF+SVM实现电商商品评论情感提取（下） (13:57)
- 视频：4-8 类别型和时间型数据的特征提取 (06:48)
- 视频：4-9 构建新特征之特征交叉 (04:50)
- 视频：4-10 基于FM的特征交叉 (10:22)
- 视频：4-11 Spark实现基于FM的特征交叉 (41:32)
- 视频：4-12 特征筛选之GBDT和xgboost (14:16)
- 视频：4-13 Spark实现基于Xgboost的特征筛选（上） (19:56)
- 视频：4-14 Spark实现基于Xgboost的特征筛选（下） (13:41)
- 视频：4-15 特征监控方案设计 (05:27)
- 图文：4-16 【知识点梳理】本章重难点总结
第5章用户画像搭建之标签体系构建【11 节 | 139分钟】
- 视频：5-1 本章重点及学习计划 (01:38)
- 视频：5-2 电商行业的标签体系以及reachCTR曲线 (11:24)
- 视频：5-3 用户行为标签的ES存储 (27:21)
- 视频：5-4 基于TF-IDF的标签权重算法（上） (13:19)
- 视频：5-5 基于TF-IDF的标签权重算法（中） (11:06)
- 视频：5-6 基于TF-IDF的标签权重算法（下） (10:32)
- 视频：5-7 时间衰减因子和用户偏好标签的计算（上） (18:35)
- 视频：5-8 时间衰减因子和用户偏好标签的计算（下） (20:58)
- 视频：5-9 ES构建Hbase二级索引对标签进行组合查询 (19:36)
- 视频：5-10 商品标签与用户画像标签的匹配度 (04:10)
- 图文：5-11 【知识点梳理】本章重难点总结
第6章用户画像搭建之群体用户画像构建【12 节 | 142分钟】
- 视频：6-1 本章重点及学习计划 (01:21)
- 视频：6-2 朴素贝叶斯分类算法 (09:25)
- 视频：6-3 使用Spark-ml实现基于朴素贝叶斯预测性别（上） (18:23)
- 视频：6-4 使用Spark-ml实现基于朴素贝叶斯预测性别（中） (19:55)
- 视频：6-5 使用Spark-ml实现基于朴素贝叶斯预测性别（下） (05:05)
- 视频：6-6 基于RFM模型的用户价值划分及Spark代码（上） (06:03)
- 视频：6-7 基于RFM模型的用户价值划分及Spark代码（下） (21:38)
- 视频：6-8 使用Spark-ml实现基于Kmeans的用户消费分群 (26:16)
- 视频：6-9 通过订单数据挖掘用户的的行为属性及Spark代码（上） (15:42)
- 视频：6-10 通过订单数据挖掘用户的的行为属性及Spark代码（下） (08:19)
- 视频：6-11 DMP的用户分群 (09:38)
- 图文：6-12 【知识点梳理】本章重难点总结
第7章用户画像搭建之DMP人群管理【15 节 | 149分钟】
- 视频：7-1 本章重点及学习计划 (01:33)
- 视频：7-2 通过不同算法给用户打上标签后的业务应用 (04:38)
- 视频：7-3 ES，ClickHouse导入万级人群标签数据 (17:18)
- 视频：7-4 Mysql导入标签数据 (06:18)
- 视频：7-5 DMP的标签管理 (12:53)
- 视频：7-6 DMP生成人群包数据 (19:16)
- 视频：7-7 人群组合和人群去重 (22:56)
- 视频：7-8 lookalike的主要算法 (04:14)
- 视频：7-9 ClickHouse和ES在人群圈选上的对比 (05:40)
- 视频：7-10 ClickHouse集成Bitmap (10:50)
- 视频：7-11 基于宽表的ClickHouse人群圈选 (04:40)
- 视频：7-12 将Hive数据导入到ClickHouse (10:33)
- 视频：7-13 将Hive数据转换为ClickHouse的Bitmap (11:33)
- 视频：7-14 基于Bitmap的ClickHouse人群圈选 (16:05)
- 图文：7-15 本章知识点梳理
第8章项目展示及版本升级解决方案【7 节 | 90分钟】
- 视频：8-1 项目完整演示（上） (14:55)
- 视频：8-2 项目完整演示（下） (12:51)
- 视频：8-3 Spark模块本地运行完整演示 (05:58)
- 视频：8-4 Spark模块集群运行完整演示（上） (16:56)
- 视频：8-5 Spark模块集群运行完整演示（下） (14:27)
- 视频：8-6 版本升级解决方案 (04:14)
- 视频：8-7 课程总结 (20:05)

1 本站名称：疯奇社
2 本站网址：https://www.shiyeluming.com
3 本站不保证资源的完整性，不对其真实性负责。
4 获取资源前务必确认资源目录是否包含本人需求内容，一经购买下载，则视为已确认包含，不接受任何形式的申诉与退款。
5 本站一切资源均来自于互联网，仅供大家学习与参考。如有侵权，请联系站长（QQ：1302982067）进行删除处理。
6 本站一切资源不代表本站立场，不代表本站赞同其观点，本站不对其真实性负责。
7 本站资源大多储存在云盘，如发现链接失效，请联系我们，我们会在第一时间更新。
8 根据 2002 年 1 月 1 日《计算机软件保护条例》规定：为了学习和研究软件内含的设计思想和原理，通过安装、显示、传输或者存储软件等方式使用软件的，可以不经软件著作权人许可，不向其支付报酬！

THE END