┣━mksz513-Spark+ES+ClickHouse 构建DMP用户画像(完结）(1)
┣━第5章 用户画像搭建之标签体系构建
┣━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
┣━5-8 时间衰减因子和用户偏好标签的计算（下）.mp4
┣━5-10 商品标签与用户画像标签的匹配度.mp4
┣━5-7 时间衰减因子和用户偏好标签的计算（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
┣━5-1 本章重点及学习计划.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
┣━5-9 ES构建Hbase二级索引对标签进行组合查询.mp4
┣━资料
┣━课程资料.zip
┣━第7章 用户画像搭建之DMP人群管理
┣━7-10 将Hive数据转换为ClickHouse的Bitmap.mp4
┣━7-1 本章重点及学习计划.mp4
┣━7-12 本章知识点梳理__.jpg
┣━7-8 基于宽表的ClickHouse人群圈选.mp4
┣━7-11 基于Bitmap的ClickHouse人群圈选.mp4
┣━7-9 将Hive数据导入到ClickHouse.mp4
┣━7-5 lookalike的主要算法.mp4
┣━7-4 人群组合和人群去重.mp4
┣━7-6 ClickHouse和ES在人群圈选上的对比.mp4
┣━7-3 DMP生成人群包数据.mp4
┣━7-7 ClickHouse集成Bitmap.mp4
┣━7-2 DMP的标签管理.mp4
┣━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
┣━1-5 【知识点梳理】本章重难点总结__.jpg
┣━1-4 项目技术选型及各组件版本.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
┣━第2章 项目环境搭建
┣━2-10 Springboot整合ClickHouse（下）.mp4
┣━2-7 Springboot+JdbcTemplate+druid整合Hive（下）.mp4
┣━2-1 本章重点及学习计划.mp4
┣━2-5 数据准备：Hive数仓和Hbase同步标签数据.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
┣━2-9 Springboot整合ClickHouse（上）.mp4
┣━2-2 基于docker一键部署大数据开发环境.mp4
┣━2-11 Spark+phoenix整合Hbase.mp4
┣━2-6 Springboot+JdbcTemplate+druid整合Hive（上）.mp4
┣━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
┣━2-13 【项目文档】本章重难点–表结构和数据导入步骤__.jpg
┣━2-8 Springboot+Mybatis+phoenix整合Hbase.mp4
┣━2-12 【项目文档】本章重难点–环境部署步骤__.jpg
┣━第6章 用户画像搭建之群体用户画像构建
┣━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
┣━6-1 本章重点及学习计划.mp4
┣━6-7 基于RFM模型的用户价值划分及Spark代码（下）.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
┣━6-6 基于RFM模型的用户价值划分及Spark代码（上）.mp4
┣━6-11 DMP的用户分群.mp4
┣━6-4 使用Spark-ml实现基于朴素贝叶斯预测性别（中）.mp4
┣━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
┣━6-5 使用Spark-ml实现基于朴素贝叶斯预测性别（下）.mp4
┣━6-12 【知识点梳理】本章重难点总结__.jpg
┣━第3章 DMP和用户画像
┣━3-2 用户画像是如何生成的.mp4
┣━3-4 如何构建高质量的用户画像.mp4
┣━3-3 用户画像的标签维度.mp4
┣━3-1 本章重点及学习计划.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
┣━4-16 【知识点梳理】本章重难点总结__.jpg
┣━4-6 Spark基于TF-IDF+SVM实现电商商品评论情感提取（上）.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
┣━4-1 本章重点及学习计划.mp4
┣━4-8 类别型和时间型数据的特征提取.mp4
┣━4-3 数值型数据的特征提取.mp4
┣━4-2 特征工程流程.mp4
┣━4-4 文本型数据的特征提取.mp4
┣━4-7 Spark基于TF-IDF+SVM实现电商商品评论情感提取（下）.mp4
┣━4-9 构建新特征之特征交叉.mp4
┣━4-11 Spark实现基于FM的特征交叉.mp4
┣━4-15 特征监控方案设计.mp4
┣━4-5 使用Spark实现中文分词+TF-IDF.mp4
┣━4-10 基于FM的特征交叉.mp4
┣━第8章 项目展示及版本升级解决方案
┣━8-2 项目完整演示（下）.mp4
┣━8-4 课程总结.mp4
┣━8-1 项目完整演示（上）.mp4
┣━8-3 版本升级解决方案.mp4