卡弗卡课堂

课时列表

第 1 章课程简介
课程简介 (11:52)
第 2 章 :项目架构设计
项目背景介绍 (11:52)
架构设计 (11:52)
基础环境配置 (11:52)
第 3 章 ELK安装部署
Elasticsearch安装部署(一) (11:52)
Elasticsearch安装部署(二) (11:52)
LogStash安装配置 (11:52)
kinbana安装配置 (11:52)
第 4 章数据迁移
项目数据准备 (11:52)
基于LogStash数据迁移架构 (11:52)
基于LogStash数据迁移至ES脚本编写一 (11:52)
基于LogStash数据迁移至ES脚本编写二 (11:52)
基于LogStash数据迁移脚本运行并验证 (11:52)
基于MR数据迁移至HBase(一) (11:52)
基于MR数据迁移至HBase(二) (11:52)
基于MR数据迁移至HBase(三) (11:52)
基于MR数据迁移至HBase(四) (11:52)
第 5 章基于ES系统开发
系统开发之服务配置 (11:52)
源码及系统效果概述 (11:52)
基于ES之业务标签搜索的开发(一) (11:52)
基于ES之业务标签搜索的开发(二) (11:52)
基于ES之分词搜索详解 (11:52)
基于ES之IK分词插件安装与验证 (11:52)
基于ES之IK自定义词库扩展配置(一) (11:52)
基于ES之IK自定义词库扩展配置(二) (11:52)
基于ES之创建索引和Mapping (11:52)
基于ES之分词搜索开发(一) (11:52)
基于ES之分词搜索开发(二) (11:52)
基于ES之高亮分词搜索开发 (11:52)
基于ES之拼音分词插件安装与验证 (11:52)
基于ES之自定义分词器的创建与验证 (11:52)
基于ES之创建自定义分词器索引的Mapping (11:52)
基于ES之自定义分词器业务代码开发 (11:52)
基于ES之详情页数据迁移脚本编写 (11:52)
基于ES之详情页数据迁移至ES (11:52)
基于ES之详情页数据开发(一) (11:52)
基于ES之详情页数据开发(二) (11:52)
基于ES之详情页数据开发(三) (11:52)
基于ES之详情页数据开发(四) (11:52)
基于ES之详情页数据开发(五) (11:52)
基于ES之局部数据更新开发 (11:52)
基于ES之业务数据分类聚合开发(一) (11:52)
基于ES之业务数据分类聚合开发(二) (11:52)
基于ES之业务数据分类聚合开发(三) (11:52)
基于ES之业务数据分类聚合开发(四) (11:52)
基于ES之业务数据分组求和TopN开发(一) (11:52)
基于ES之业务数据分组求和TopN开发(二) (11:52)
基于ES之业务数据分组求和TopN开发(三) (11:52)
基于ES之业务数据分组求和TopN开发(四) (11:52)
基于ES之业务数据分组求和TopN开发(五) (11:52)
第 6 章推荐系统 — 基于内容推荐
推荐系统概述 (11:52)
推荐系统分类 (11:52)
推荐系统架构 (11:52)
基于内容推荐原理 (11:52)
基于内容推荐优势与应用场景 (11:52)
基于内容推荐架构图详解 (11:52)
基于内容推荐TF-IDF原理详解 (11:52)
基于内容推荐TF-IDF图例解析(一) (11:52)
基于内容推荐TF-IDF图例解析(二) (11:52)
构建基于内容推荐开发环境 (11:52)
内容推荐之基于Spark中文分词开发 (11:52)
内容推荐开发步骤与数据演化详解(一) (11:52)
内容推荐开发步骤与数据演化详解(二) (11:52)
内容推荐余弦相似度算法详解 (11:52)
Spark稀疏向量SparseVector详解 (11:52)
基于Spark RDD内容推荐开发(一) (11:52)
基于Spark RDD内容推荐开发(二) (11:52)
TF-IDF特征向量计算Spark源码解析(一) (11:52)
TF-IDF特征向量计算Spark源码解析(二) (11:52)
Spark中分布式矩阵详解 (11:52)
基于Spark分布式矩阵进行内容推荐开发(一) (11:52)
基于Spark分布式矩阵进行内容推荐开发(二) (11:52)
基于Spark分布式矩阵进行内容推荐开发(三) (11:52)
基于Spark进行ES业务数据内容推荐开发(一) (11:52)
基于Spark进行ES业务数据内容推荐开发(二) (11:52)
基于Spark进行ES业务数据内容推荐开发(三) (11:52)
基于内容推荐总结 (11:52)
第 7 章基于用户画像推荐
用户画像理解 (11:52)
基于用户画像推荐架构图 (11:52)
基于用户画像推荐数据流程图 (11:52)
用户画像标签提取过程(一) (11:52)
用户画像标签提取过程(二) (11:52)
用户画像标签提取过程(三) (11:52)
基于用户画像推荐总结 (11:52)
第 8 章协同过滤推荐 - 基于近邻协同过滤
基于用户协同过滤思想 (11:52)
用户协同过滤之用户相似度计算 (11:52)
用户协同过滤之预测评分 (11:52)
用户协同过滤需要考虑的几个问题及策略 (11:52)
用户协同过滤-相似度计算优化之调整余弦相似度(一) (11:52)
用户协同过滤-相似度计算优化之调整余弦相似度(二) (11:52)
用户协同过滤-基于Spark用户相似度计算开发(一) (11:52)
用户协同过滤-基于Spark用户相似度计算开发(二) (11:52)
用户协同过滤-基于Spark用户相似度计算之调整余弦相似度开发(一) (11:52)
用户协同过滤-基于Spark用户相似度计算之调整余弦相似度开发(二) (11:52)
用户协同过滤-基于Spark用户相似度计算开发(一) (11:52)
用户协同过滤-基于Spark用户相似度计算开发(二) (11:52)
用户协同过滤-基于Spark用户相似度计算之调整余弦相似度开发(一) (11:52)
用户协同过滤-基于Spark用户相似度计算之调整余弦相似度开发(二) (11:52)
用户协同过滤-基于Spark完成用户推荐开发(一) (11:52)
用户协同过滤-基于Spark完成用户推荐开发(二) (11:52)
用户协同过滤-基于Spark完成用户推荐开发(三) (11:52)
用户协同过滤-基于Spark完成用户推荐开发(四) (11:52)
基于物品协同过滤的思想与原理 (11:52)
基于物品协同过滤相似度计算步骤 (11:52)
基于物品协同过滤相似度计算 (11:52)
基于物品协同过滤的评分预测策略 (11:52)
相似度算法之相似度本质详解 (11:52)
相似度算法之欧式距离、余弦相似度、皮尔逊相关度详解 (11:52)
相似度算法之调整余弦相似度与皮尔逊相关度区别 (11:52)
物品协同过滤-基于Spark物品相似度计算开发 (11:52)
物品协同过滤-基于Spark完成用户推荐开发(一) (11:52)
物品协同过滤-基于Spark完成用户推荐开发(二) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法求相似度开发(一) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法求相似度开发(二) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法求相似度开发(三) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法源码解析 (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法二次开发(一) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法二次开发(二) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法二次开发(三) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法二次开发(四) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法二次开发(五) (11:52)
相似度计算-基于Spark的皮尔逊(Peason)算法二次开发(六) (11:52)
第 9 章协同过滤推荐 - 基于模型协同过滤
基于模型协同过滤的核心思想 (11:52)
矩阵分解详解 (11:52)
矩阵分解图例及数据演化过程(一) (11:52)
矩阵分解图例及数据演化过程(二) (11:52)
SVD算法之交替最小二乘(ALS)详解 (11:52)
基于SVD算法之交替最小二乘(ALS)来完成推荐开发(一) (11:52)
基于SVD算法之交替最小二乘(ALS)来完成推荐开发(二) (11:52)
基于SVD算法之交替最小二乘(ALS)来完成推荐开发(三) (11:52)
基于SVD算法之交替最小二乘(ALS)来完成推荐开发(四) (11:52)
基于SVD算法之交替最小二乘(ALS)来完成推荐开发(五) (11:52)
基于SVD算法之交替最小二乘(ALS)来完成推荐开发(六) (11:52)
基于SVD算法之交替最小二乘(ALS)来完成推荐开发(七) (11:52)
第 10 章推荐系统 - 基于关联规则推荐
基于关联规则推荐原理详解 (11:52)
关联规则推荐算法-Apriori原理图例数据详解(一) (11:52)
关联规则推荐算法-Apriori原理图例数据详解(二) (11:52)
关联规则推荐算法-(FP-growth)图例数据详解(一) (11:52)
关联规则推荐算法-FP-growth详解与Spark代码开发(一) (11:52)
关联规则推荐算法-FP-growth详解与Spark代码开发(二) (11:52)
关联规则推荐算法-FP-growth详解与Spark代码开发(三) (11:52)
第 11 章项目总结
总结 - 1 (11:52)
总结 - 2 (11:52)