Spark+ES+ClickHouse构建DMP用户画像资源介绍:
Spark+ES+ClickHouse构建DMP用户画像封面图
DMP旨在帮助企业实现精准营销和广告投放。本课程将基于大数据主流技术，数据挖掘核心算法，带你打造企业实用的DMP用户画像平台，提升你的个人竞争力。涵盖了从数据特征提取到算法模型建立，再到业务应用的全流程。包含特征工程和标签体系构建两大板块以及相关的大数据组件和算法。
资源目录:
Spark+ES+ClickHouse 构建DMP用户画像(完结） ├─ 第1章 DMP用户画像项目介绍 │ ├─ 1-1 关于这门课，你需要知道的_.mp4 │ ├─ 1-2 DMP项目的意义和课程的侧重点_.mp4 │ ├─ 1-3 DMP项目架构及各个模块介绍_.mp4 │ ├─ 1-4 项目技术选型及各组件版本_.mp4 │ └─ 1-5 【知识点梳理】本章重难点总结__.jpg ├─ 第2章 项目环境搭建 │ ├─ 2-1 本章重点及学习计划__.mp4 │ ├─ 2-10 Springboot整合ClickHouse（下）__.mp4 │ ├─ 2-11 Spark+phoenix整合Hbase__.mp4 │ ├─ 2-12 【项目文档】本章重难点--环境部署步骤__.jpg │ ├─ 2-13 【项目文档】本章重难点--表结构和数据导入步骤__.jpg │ ├─ 2-14 【项目文档】Hive，ES，ClickHouse导入人群标签数据步骤__.jpg │ ├─ 2-15 【项目文档】Hive、Hbase、ES、clickhouse表结构__.jpg │ ├─ 2-2 基于docker一键部署大数据开发环境__.mp4 │ ├─ 2-3 环境搭建的常见问题及解决方案__.mp4 │ ├─ 2-4 数据准备：表结构和数据导入Hive数仓__.mp4 │ ├─ 2-5 数据准备：Hive数仓和Hbase同步标签数据__.mp4 │ ├─ 2-6 Springboot+JdbcTemplate+druid整合Hive（上）__.mp4 │ ├─ 2-7 Springboot+JdbcTemplate+druid整合Hive（下）__.mp4 │ ├─ 2-8 Springboot+Mybatis+phoenix整合Hbase__.mp4 │ └─ 2-9 Springboot整合ClickHouse（上）__.mp4 ├─ 第3章 DMP和用户画像 │ ├─ 3-1 本章重点及学习计划__.mp4 │ ├─ 3-2 用户画像是如何生成的__.mp4 │ ├─ 3-3 用户画像的标签维度__.mp4 │ ├─ 3-4 如何构建高质量的用户画像__.mp4 │ ├─ 3-5 用户画像和特征工程__.mp4 │ ├─ 3-6 DMP用户画像的正确使用场景__.mp4 │ └─ 3-7 【知识点梳理】本章重难点总结__.jpg ├─ 第4章 用户画像搭建之特征工程 │ ├─ 4-1 本章重点及学习计划__.mp4 │ ├─ 4-10 基于FM的特征交叉__.mp4 │ ├─ 4-11 Spark实现基于FM的特征交叉__.mp4 │ ├─ 4-12 特征筛选之GBDT和xgboost__.mp4 │ ├─ 4-13 Spark实现基于Xgboost的特征筛选（上）__.mp4 │ ├─ 4-14 Spark实现基于Xgboost的特征筛选（下）__.mp4 │ ├─ 4-15 特征监控方案设计__.mp4 │ ├─ 4-16 【知识点梳理】本章重难点总结__.jpg │ ├─ 4-2 特征工程流程__.mp4 │ ├─ 4-3 数值型数据的特征提取__.mp4 │ ├─ 4-4 文本型数据的特征提取__.mp4 │ ├─ 4-5 使用Spark实现中文分词+TF-IDF__.mp4 │ ├─ 4-6 Spark基于TF-IDF+SVM实现电商商品评论情感提取（上）__.mp4 │ ├─ 4-7 Spark基于TF-IDF+SVM实现电商商品评论情感提取（下）__.mp4 │ ├─ 4-8 类别型和时间型数据的特征提取__.mp4 │ └─ 4-9 构建新特征之特征交叉__.mp4 ├─ 第5章 用户画像搭建之标签体系构建 │ ├─ 5-1 本章重点及学习计划_.mp4 │ ├─ 5-10 商品标签与用户画像标签的匹配度_.mp4 │ ├─ 5-11 【知识点梳理】本章重难点总结__.jpg │ ├─ 5-2 电商行业的标签体系以及reachCTR曲线_.mp4 │ ├─ 5-3 用户行为标签的ES存储_.mp4 │ ├─ 5-4 基于TF-IDF的标签权重算法（上）_.mp4 │ ├─ 5-5 基于TF-IDF的标签权重算法（中）_.mp4 │ ├─ 5-6 基于TF-IDF的标签权重算法（下）_.mp4 │ ├─ 5-7 时间衰减因子和用户偏好标签的计算（上）_.mp4 │ ├─ 5-8 时间衰减因子和用户偏好标签的计算（下）_.mp4 │ └─ 5-9 ES构建Hbase二级索引对标签进行组合查询_.mp4 ├─ 第6章 用户画像搭建之群体用户画像构建 │ ├─ 6-1 本章重点及学习计划_.mp4 │ ├─ 6-10 通过订单数据挖掘用户的的行为属性及Spark代码（下）_.mp4 │ ├─ 6-11 DMP的用户分群_.mp4 │ ├─ 6-12 【知识点梳理】本章重难点总结__.jpg │ ├─ 6-2 朴素贝叶斯分类算法_.mp4 │ ├─ 6-3 使用Spark-ml实现基于朴素贝叶斯预测性别（上）_.mp4 │ ├─ 6-4 使用Spark-ml实现基于朴素贝叶斯预测性别（中）_.mp4 │ ├─ 6-5 使用Spark-ml实现基于朴素贝叶斯预测性别（下）_.mp4 │ ├─ 6-6 基于RFM模型的用户价值划分及Spark代码（上）_.mp4 │ ├─ 6-7 基于RFM模型的用户价值划分及Spark代码（下）_.mp4 │ ├─ 6-8 使用Spark-ml实现基于Kmeans的用户消费分群_.mp4 │ └─ 6-9 通过订单数据挖掘用户的的行为属性及Spark代码（上）_.mp4 ├─ 第7章 用户画像搭建之DMP人群管理 │ ├─ 7-1 本章重点及学习计划_.mp4 │ ├─ 7-10 将Hive数据转换为ClickHouse的Bitmap_.mp4 │ ├─ 7-11 基于Bitmap的ClickHouse人群圈选_.mp4 │ ├─ 7-12 本章知识点梳理__.jpg │ ├─ 7-2 DMP的标签管理_.mp4 │ ├─ 7-3 DMP生成人群包数据_.mp4 │ ├─ 7-4 人群组合和人群去重_.mp4 │ ├─ 7-5 lookalike的主要算法_.mp4 │ ├─ 7-6 ClickHouse和ES在人群圈选上的对比_.mp4 │ ├─ 7-7 ClickHouse集成Bitmap_.mp4 │ ├─ 7-8 基于宽表的ClickHouse人群圈选_.mp4 │ └─ 7-9 将Hive数据导入到ClickHouse_.mp4 ├─ 第8章 项目展示及版本升级解决方案 │ ├─ 8-1 项目完整演示（上）_.mp4 │ ├─ 8-2 项目完整演示（下）_.mp4 │ ├─ 8-3 版本升级解决方案_.mp4 │ └─ 8-4 课程总结_.mp4 └─ 资料 └─ 课程资料 └─ dmp_personas_system
此隐藏内容仅限VIP查看升级VIP
