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 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
2-2 基于docker一键部署大数据开发环境.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）.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
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
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
4-2 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
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
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
5-2 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
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
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
6-2 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）.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
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
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
7-2 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
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
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
评论0