Spark ES ClickHouse 构建DMP用户画像[完结]

【课程介绍】
大数据主流技术，数据挖掘核心算法，用户画像完整知识一课轻松掌握
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。

【课程目录】

• 第1章 DMP用户画像项目介绍 试看5 节 | 33分钟本章将向大家介绍什么是DMP，并辅以行业数据说明DMP的重要性和行业前景，并介绍课程讲解项目所会使用到的大数据技术，框架、版本以及推荐得学习方法。
  [url=]收起列表[/url]

  • 视频：1-1 关于这门课，你需要知道的 (08:34)试看
  • 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)
  • 图文：1-5 【知识点梳理】本章重难点总结
• 第2章 项目环境搭建 试看15 节 | 152分钟本章将带领大家一起来学习，如何用 docker 一键部署开发环境；如何实现 Hive 数仓的数据导入；实用工具类的代码编写等，完成开发前得准备工作。
  [url=]收起列表[/url]

  • 视频：2-1 本章重点及学习计划 (01:59)
  • 视频：2-2 基于docker一键部署大数据开发环境 (12:34)试看
  • 视频：2-3 环境搭建的常见问题及解决方案 (05:18)
  • 视频：2-4 数据准备：表结构和数据导入Hive数仓 (16:06)
  • 视频：2-5 数据准备：Hive数仓和Hbase同步标签数据 (15:50)
  • 视频：2-6 Springboot+JdbcTemplate+druid整合Hive（上） (11:58)试看
  • 视频：2-7 Springboot+JdbcTemplate+druid整合Hive（下） (13:26)
  • 视频：2-8 Springboot+Mybatis+phoenix整合Hbase (30:48)
  • 视频：2-9 Springboot整合ClickHouse（上） (17:00)
  • 视频：2-10 Springboot整合ClickHouse（下） (06:32)
  • 视频：2-11 Spark+phoenix整合Hbase (19:53)
  • 图文：2-12 【知识点梳理】本章重难点总结–环境部署注意事项
  • 图文：2-13 【知识点梳理】本章重难点总结–安装中得踩坑秘笈
  • 图文：2-14 【知识点梳理】本章重难点总结–Hive和Hbase存储结构
  • 图文：2-15 【知识点梳理】本章重难点总结–表结构和数据导入方法
• 第3章 DMP和用户画像7 节 | 27分钟本章会介绍，用户画像的生成流程，画像的标签维度，用户画像和特征工程的关系。带领大家了解什么样的画像才是高质量的用户画像，以及DMP用户画像的使用场景。
  [url=]收起列表[/url]

  • 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分钟本章会详细的讲解数值型特征，类别型特征，文本型特征的特征处理，以及特征交叉的算法 FM，特征筛选的算法 gbdt 和 xgboost。并会带领大家应用 Spark 代码实现商品评论的情感提取，以及基于 xgboost 的特征筛选。
  [url=]收起列表[/url]

  • 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分钟本章会详细的讲解，如何通过TF-IDF生成标签的权重；用户行为偏好标签的计算；标签在Hbase的存储格式；以及如何使用ES存储Hbase的索引，进而提高复杂组合标签的查询效率。
  [url=]收起列表[/url]

  • 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分钟本章会讲解，如何通过朴素贝叶斯，实现用户性别预测，基于RFM模型对用户价值进行分群，基于K-Means对用户的消费等级进行分群，并会带领大家认识用户分群的时间衰减因素。
  [url=]收起列表[/url]

  • 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 8 节 | 83分钟本章会通过 DMP 演示如何管理人群标签，生成人群包数据，人群圈选，以及人群扩展。并且使用 Clickhouse 做人群洞察分析。
  [url=]收起列表[/url]

  • 视频：7-1 本章重点及学习计划 (01:33)
  • 视频：7-2 DMP的标签管理 (12:53)
  • 视频：7-3 DMP生成人群包数据 (19:16)
  • 视频：7-4 人群组合和人群去重 (22:56)
  • 视频：7-5 lookalike的主要算法 (04:14)
  • 视频：7-6 ClickHouse和ES在人群圈选上的对比 (05:40)
  • 视频：7-7 ClickHouse集成Bitmap (10:50)
  • 视频：7-8 基于宽表的ClickHouse人群圈选 (04:40)
• 第8章 项目展示及版本升级解决方案本章会模拟生产环境集群的形式，展示项目实际运行效果，并结合框架版本升级，讲解踩坑秘笈。