Spark+ES+ClickHouse 构建DMP用户画像(8章完结）
├─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[3]_ + [2].mp4
│  ├┈2-10 Springboot整合ClickHouse（下）[3]_ + [2].mp4
│  ├┈2-11 Spark+phoenix整合Hbase[3]_ + [2].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[3]_ + [2].mp4
│  ├┈2-3 环境搭建的常见问题及解决方案[3]_ + [2].mp4
│  ├┈2-4 数据准备：表结构和数据导入Hive数仓[3]_ + [2].mp4
│  ├┈2-5 数据准备：Hive数仓和Hbase同步标签数据[3]_ + [2].mp4
│  ├┈2-6 Springboot+JdbcTemplate+druid整合Hive（上）[3]_ + [2].mp4
│  ├┈2-7 Springboot+JdbcTemplate+druid整合Hive（下）[3]_ + [2].mp4
│  ├┈2-8 Springboot+Mybatis+phoenix整合Hbase[3]_ + [2].mp4
│  └┈2-9 Springboot整合ClickHouse（上）[3]_ + [2].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
└─└┈dmp_personas_system.zip