Spark+ES+ClickHouse 构建DMP用户画像（完结）

2022年1月28日 128条评论 6,598次阅读

资源简介

文章目录

行业竞争越来越激烈，精细化经营成为各企业取胜的秘籍。用户画像系统作为提供精准用户数据的重要来源，已经成为企业必备的核心平台，人才缺口大，薪资高。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用户画像平台，提升你的个人竞争力。

资源目录

——/计算机教程/01MOOC/114-513-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~1.mp4  36.55M
|   ├──1-2 DMP项目的意义和课程的侧重点.mp4  51.32M
|   ├──1-3 DMP项目架构及各个模块介绍.mp4  45.10M
|   ├──1-4 项目技术选型及各组件版本.mp4  28.77M
|   └──1-5 【知识点梳理】本章重难点总结.jpg  215.43kb
├──第2章 项目环境搭建  
|   ├──2-1 本章重点及学习计划.mp4  8.22M
|   ├──2-10 Springboot整合ClickHouse（下）.mp4  110.92M
|   ├──2-11 Spark+phoenix整合Hbase.mp4  215.10M
|   ├──2-12 【项目文档】本章重难点--环境部署步骤__.jpg  1.26M
|   ├──2-13 【项目文档】本章重难点--表结构和数据导入步骤__.jpg  220.55kb
|   ├──2-14 【项目文档】Hive，ES，ClickHouse导入人群标签数据步骤__.jpg  192.51kb
|   ├──2-15 【项目文档】Hive、Hbase、ES、clickhouse表结构__.jpg  982.02kb
|   ├──2-2 基于docker一键部署大数据开发环境~1.mp4  127.94M
|   ├──2-3 环境搭建的常见问题及解决方案.mp4  44.55M
|   ├──2-4 数据准备：表结构和数据导入Hive数仓.mp4  213.61M
|   ├──2-5 数据准备：Hive数仓和Hbase同步标签数据.mp4  149.17M
|   ├──2-6 Springboot+JdbcTemplate+druid整合Hive（上）~1.mp4  127.02M
|   ├──2-7 Springboot+JdbcTemplate+druid整合Hive（下）.mp4  181.31M
|   ├──2-8 Springboot+Mybatis+phoenix整合Hbase.mp4  415.15M
|   └──2-9 Springboot整合ClickHouse（上）.mp4  194.92M
├──第3章 DMP和用户画像  
|   ├──3-1 本章重点及学习计划.mp4  11.02M
|   ├──3-2 用户画像是如何生成的.mp4  21.59M
|   ├──3-3 用户画像的标签维度.mp4  20.32M
|   ├──3-4 如何构建高质量的用户画像.mp4  32.67M
|   ├──3-5 用户画像和特征工程.mp4  15.61M
|   ├──3-6 DMP用户画像的正确使用场景.mp4  24.41M
|   └──3-7 【知识点梳理】本章重难点总结__.jpg  1.39M
├──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  17.94M
|   ├──4-10 基于FM的特征交叉.mp4  46.57M
|   ├──4-11 Spark实现基于FM的特征交叉.mp4  348.27M
|   ├──4-12 特征筛选之GBDT和xgboost.mp4  67.84M
|   ├──4-13 Spark实现基于Xgboost的特征筛选（上）.mp4  274.68M
|   ├──4-14 Spark实现基于Xgboost的特征筛选（下）.mp4  192.81M
|   ├──4-15 特征监控方案设计.mp4  22.73M
|   ├──4-16 【知识点梳理】本章重难点总结__.jpg  2.75M
|   ├──4-2 特征工程流程.mp4  20.68M
|   ├──4-3 数值型数据的特征提取.mp4  31.25M
|   ├──4-4 文本型数据的特征提取.mp4  35.71M
|   ├──4-5 使用Spark实现中文分词+TF-IDF.mp4  100.78M
|   ├──4-6 Spark基于TF-IDF+SVM实现电商商品评论情感提取（上）.mp4  128.86M
|   ├──4-7 Spark基于TF-IDF+SVM实现电商商品评论情感提取（下）.mp4  154.22M
|   ├──4-8 类别型和时间型数据的特征提取.mp4  233.13M
|   └──4-9 构建新特征之特征交叉.mp4  24.69M
├──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  8.95M
|   ├──5-10 商品标签与用户画像标签的匹配度.mp4  19.62M
|   ├──5-11 【知识点梳理】本章重难点总结__.jpg  186.04kb
|   ├──5-2 电商行业的标签体系以及reachCTR曲线.mp4  50.05M
|   ├──5-3 用户行为标签的ES存储.mp4  197.80M
|   ├──5-4 基于TF-IDF的标签权重算法（上）.mp4  90.75M
|   ├──5-5 基于TF-IDF的标签权重算法（中）.mp4  107.84M
|   ├──5-6 基于TF-IDF的标签权重算法（下）.mp4  137.61M
|   ├──5-7 时间衰减因子和用户偏好标签的计算（上）.mp4  189.30M
|   ├──5-8 时间衰减因子和用户偏好标签的计算（下）.mp4  321.80M
|   └──5-9 ES构建Hbase二级索引对标签进行组合查询.mp4  188.07M
├──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  9.36M
|   ├──6-10 通过订单数据挖掘用户的的行为属性及Spark代码（下）.mp4  137.58M
|   ├──6-11 DMP的用户分群.mp4  40.74M
|   ├──6-12 【知识点梳理】本章重难点总结__.jpg  166.34kb
|   ├──6-2 朴素贝叶斯分类算法.mp4  47.22M
|   ├──6-3 使用Spark-ml实现基于朴素贝叶斯预测性别（上）.mp4  233.52M
|   ├──6-4 使用Spark-ml实现基于朴素贝叶斯预测性别（中）.mp4  268.37M
|   ├──6-5 使用Spark-ml实现基于朴素贝叶斯预测性别（下）.mp4  97.51M
|   ├──6-6 基于RFM模型的用户价值划分及Spark代码（上）.mp4  26.12M
|   ├──6-7  基于RFM模型的用户价值划分及Spark代码（下）_+微信307570512~1.mp4  263.01M
|   ├──6-8 使用Spark-ml实现基于Kmeans的用户消费分群.mp4  227.98M
|   └──6-9 通过订单数据挖掘用户的的行为属性及Spark代码（上）.mp4  209.46M
├──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  9.75M
|   ├──7-10 将Hive数据转换为ClickHouse的Bitmap.mp4  273.50M
|   ├──7-11 基于Bitmap的ClickHouse人群圈选.mp4  127.77M
|   ├──7-12 本章知识点梳理__.jpg  137.97kb
|   ├──7-2 DMP的标签管理.mp4  154.07M
|   ├──7-3 DMP生成人群包数据.mp4  233.17M
|   ├──7-4 人群组合和人群去重.mp4  357.80M
|   ├──7-5 lookalike的主要算法.mp4  18.53M
|   ├──7-6 ClickHouse和ES在人群圈选上的对比.mp4  30.15M
|   ├──7-7 ClickHouse集成Bitmap.mp4  192.12M
|   ├──7-8 基于宽表的ClickHouse人群圈选.mp4  22.18M
|   └──7-9 将Hive数据导入到ClickHouse.mp4  75.21M
├──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  181.40M
|   ├──8-2 项目完整演示（下）.mp4  197.61M
|   ├──8-3 版本升级解决方案.mp4  20.64M
|   └──8-4 课程总结.mp4  99.01M
└──资料代码  
|   └──dmp_personas_system