결제 취소나 환불은 어떻게 하나요?

결제 취소 및 환불이 필요하신 경우, 고객센터를 통해서 요청해주시기 바랍니다결제 취소 및 환불 내역은 ‘마이페이지 > 거래내역’에서 확인이 가능합니다. 환불 신청 절차 안내 1. 고객센터(help@fastcampus.co.kr)로 수강생 정보(성함 및 아이디), 강의명을 기재하시어 이메일로 환불 접수를 해주세요.2. 결제 수단에 맞춰 환불이 진행되며, 계좌 입금으로 결제하신 경우에는 환불받으실 계좌도 함께 기재해주시기 바랍니다.3. 이메일로 환불을 요청하신 경우, 카드/가상계좌/이니계좌 환불은 메일 답변 후 바로 취소 처리되며 결제사를 통해 실 환불이 진행되기 때문에 환불완료까지는 최대 3~7일 정도 소요될 수 있습니다.4. 무통장 결제건은 목요일까지 환불계좌정보와 함께 help@fastcampus.co.kr 로 환불 접수해주셨을 경우 다음 주 수~목요일 사이쯤 입금될 예정이오니 참고하셔서 추후 확인해 주시기 바랍니다.

현금영수증은 어디에서 발급 요청이 가능한가요?

현금영수증은 온라인 결제 시스템을 통해 결제를 진행하실 때, 해당 결제 시스템을 통해 신청이 가능하며 소득공제용(개인), 지출증빙용(사업자) 중 선택하실 수 있습니다.무통장 입금[우리 1005-902-393657 ㈜패스트캠퍼스)]으로 입금을 해주신 경우에는 고객센터(help@fastcampus.co.kr) 이메일 주소로 현금영수증 혹은 지출증빙 영수증을 발급하실 정보(핸드폰 번호 혹은 사업자번호)를 기재하여 따로 요청해주시기 바랍니다.

회사 비용으로 처리하기 위해 전자세금계산서를 발급받고 싶습니다.

전자세금계산서 발급을 원하실 경우, 무통장입금 방식으로 결제를 해주셔야 하며 입금하실 전용 계좌번호는 다음과 같습니다.패스트캠퍼스는 면세 사업자로 수강료에 별도의 부가세가 부과되지 않습니다. 수강료 입금 계좌 우리은행 1005-902-393657 패스트캠퍼스㈜전자세금계산서를 발급하실 귀사의 사업자등록증을 파일로 첨부하시어 고객센터 이메일 주소로 전자세금계산서 발행을 요청해주시기 바랍니다. 입금 시, 수강생명 혹은 계산서를 발급하신 회사명과 상이한 정보로 입금하시면 꼭 알려주시기 바랍니다. 상세 안내 1) 수강료 입금 후 발행을 원하실 경우전자계산서 발급을 위해 귀사의 사업자등록증을 PDF파일로 첨부하신 후 '수강생명/교육과정명 / 아이디(계정정보) / 전자계산서를 발급 받을 담당자 이메일 주소 '를 기재하여 고객센터(help@fastcampus.co.kr)로 요청해주세요.2) 수강료 입금 전 청구 발행 요청 시수강하고자 하는 과정의 '수강신청서 제출 '을 먼저 완료 해 주신 후, 전자계산서 발급을 위해 귀사의 사업자등록증을 PDF파일로 첨부하신 후 '수강생명 / 교육과정명 / 아이디(계정정보) / 입금액(수강료) / 입금예정일자 / 전자계산서를 발급 받을 담당자 이메일 주소 '를 상세 기재하여 고객센터(help@fastcampus.co.kr)로 요청해 주시면 입금하실 전용 계좌정보를 안내드립니다. 얼리버드 할인의 경우 결제일자 기준으로 적용됩니다.따라서 전자세금계산서만 발급하시고 입금완료가 되지 않을 경우 수강료는 추후 상향조정될 수 있는 점 참고하시어 할인 마감일을 지켜주시기 바랍니다.

수강신청확인서 및 수료증은 어디에서 발급 요청이 가능한가요?

수강신청확인증은 수강료 결제가 완료된 경우, 수강신청을 증빙하기 위해 발급해드리는 증빙 서류이며수료증명서는 강의를 완강하신 경우에 강의 수료를 증빙하기 위해 발급해드리는 증빙 서류입니다. 수료증명서 발급 기준 안내 1) 오프라인 강의의 경우 : 강의를 완강하신 경우 발급2) 온라인 강의의 경우 : 80% 이상 수강하신 경우에 발급위 증빙 서류 발급을 희망하실 경우 저희 고객센터(help@fastcampus.co.kr) 이메일 주소로 아이디/수강생명 / 과정명을 기재하여 발급을 요청해주시면 PDF 파일을 첨부하여 메일로 안내해드리고 있습니다.

딥러닝을 활용한 추천시스템 구현

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

고객을 끌어들이는 나만의 추천 시스템을 내 비즈니스에 적용하고 싶다면?

다양한 데이터 실습으로 추천 알고리즘 이해부터 성능 평가, 최신 논문 리뷰까지 실전에 최적화된 국내 유일 온라인 강의로!

추천시스템의 A to Z를 알려주실
강사님 인터뷰

추천시스템
배우기 어려운 현실

내 서비스에 도입하고 싶지만
시작부터 어럽지 않나요?

국내외 추천시스템을 집중해서 다루는 자료를 찾기 어려워요.

구글 검색, 관련 서적, 유튜브를 찾아봐도 3년 전 이야기고 튜토리얼만 나열한 듯 구체적인 방법은 잘 설명되어있지 않아 실무에 적용할만한 학습을 하기 힘들어요.

Movie Lens 실습 하나로 추천시스템을 업무에 적용하기 어려워요.

90% 이상이 영화 데이터 Movie Lens를 예제로만 사용하는 강의 중심인데, 추천 도메인가 추천 목적, 환경, 데이터 종류 등 다양한 시각으로 접근하기도 어렵고 업무에 적용하기에도 힘듭니다.

논문 리뷰 스터디로 해결하기에 한계가 있어요.

논문 리뷰를 통해 스터디를 하고 있는데, 비슷한 수준이 모여있어 학습 중 발생하는 궁금증을 전문가에게 질문하고 싶은데, 막상 찾기가 어려워요.

이 수업으로
추천시스템 끝!

현업 추천시스템에
필요한 A to Z를 모-두 담았습니다.

강의 미리 엿보기👀

우리 수업은👋
이런 게 특별해요 ——

알고리즘 원리부터 꼼꼼하게 배워서 실습으로 정복!

영화, 리뷰, 이미지, 음악등 다양한 실습 데이터로 산업별 추천 시스템 알고리즘 딥러닝까지 모두 경험!

최신 딥러닝 논문 12개 리뷰 및 pytorch로 직접 구현부터 성능평가까지!

강사님만의 추천시스템 실습 코드로 끝까지 완벽하게!

커리큘럼은
이렇습니다 ——

✍수업 목표

✔ 고전 알고리즘 및 딥러닝을 활용한 알고리즘들에 대해 학습하며, 각 알고리즘의 특징과 성능차이에 대해 이해합니다.
✔ 데이터 타입, 산업에 맞는 추천 알고리즘이 어떤 것인지 실습을 통해 이해합니다.
✔ 실습 코드를 통해 나의 데이터로 추천시스템을 만들 수 있습니다.
✔ 추천시스템 성능 평가를 할 수 있습니다.

* 본 강의는 Google Corab을 사용해 실습이 진행됩니다.

Part 1. 추천시스템이란?

Chapter 1. 추천시스템이란?
1. 추천시스템, 그것이 궁금하다
2. 현재 추천시스템은
3. 추천시스템의 알고리즘 종류
4. 추천시스템의 한계

Chapter 2.추천에 필요한 기초수학
1. 파이썬이 없다면 추천이 가능했을까?
2. numpy, pandas와 친해지기
3. 영화 평점 데이터 분석
4. 영화 메타 데이터 분석
5. 행렬이 없다면 추천이 가능했을까?

Chapter 3. 프로그래밍 짚고 넘어가기
1. 어떤 추천이 좋은 추천일까? feat. 추천알고리즘 성능 평가
2. 추천시스템 평가하기 - RMSE
3. 추천시스템 평가하기 - NDCG
4. 추천시스템 맛보기 feat. 행렬을 활용해보자

Part 2. 무조건 알아야 하는 추천 알고리즘

Chapter 1. 컨텐츠기반 추천알고리즘
1. 컨텐츠기반 추천시스템이란?
2. 어떤 컨텐츠를 활용할까?
3. 비슷한 컨텐츠 찾는 방법
4. 근접이웃 추천 알고리즘
5. 나이브 베이즈 추천 알고리즘
6. TF-IDF란?
7. TF-IDF로 장르, 영화 tag이용한 추천알고리즘 실습

Chapter 2. 이웃기반 협업필터링
1. 협업필터링은 무엇인가?
2. user-based vs item-based, 어떤게 더 좋을까?
3. 유사도 개념 이해하기 - 자카드, 피어슨
4. 이웃기반 협업필터링 구현하기

Chapter 03. 모델기반 협업필터링
1. 이웃기반? 모델기반? 무슨차이일까?
2. Rule-based 협업필터링 feat. Association Rule
3. Latent Factor Model, 그리고 Matrix Factorization
4. SGD, ALS로 Matrix Factorization 완벽히 이해하기
5. 추천시스템, Implicit과 Explicit feedback이란?
6. Advanced Matrix Factorization feat. Bayesian Personalized Ranking
7. Matrix Factorization으로 실습하기
8. 협업필터링 성능 비교하기

Part 3. 알아두면 좋은 추천 알고리즘

Chapter 1. 하이브리드 추천시스템
1. 뭐든지 합치면 좋지않을까? Hybrid 가능할까?

Chapter 2. Context-aware 추천시스템
1. Context-Aware Recommender System 이란?
2. Contextual Pre-filtering
3. Location-aware 위치기반 추천알고리즘 소개

Part 4. 딥러닝과 추천 알고리즘

Chapter 1. 딥러닝과 추천 알고리즘
1. 영화데이터셋(MovieLens, Netflix) 성능 비교 feat. Netflix 데이터 미리보기
2. Neural Collaborative Filterting 소개
3. Neural CF 실습
4. Factorization Machine 소개
5. Factorization Machine 실습
6. Wide & Deep Learning for Recommender System 소개
7. Wide & Deep Learning for Recommender System 실습
8. DeepFM 소개
9. DeepFM 실습
10. AutoRec: AutoEncoders Meet Collaborative Filtering 소개
11. AutoRec: AutoEncoders Meet Collaborative Filtering 실습
12. 대표 딥러닝 알고리즘 비교. 나에게 맞게 사용하기

Chapter 2. 나를 위한 추천 알고리즘
1. 텍스트 데이터 적용해보기 feat. 논문
2. 리뷰 데이터로 추천성능 끌어올리기 실습
3. 이번에는 이미지 데이터! feat. 논문
4. 상품 이미지를 적용하여 추천알고리즘 실습하기
5. 내 음악 취향 파악하기 feat. 논문
6. 듣고싶은 음악 추천알고리즘 실습하기

Chapter 3. 강좌 마무리
1. 추천시스템의 오늘과 내일
2. 넷플릭스와 유튜브의 추천 feat. 논문
3. 여러분의 추천시스템을 위한 추천

상세 커리큘럼.

자세한 커리큘럼 및 내용은 여기서 확인하세요!

자세히 보기 »

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

최저가로 수강신청

100개의 추천 시스템이 다 달라도, 활용되는 알고리즘은 크게 다르지 않습니다.

추천 시스템 필수 알고리즘 학습, 다양한 데이터 실습, 논문리뷰 및 구현, 성능평가까지 이 수업을 통해 나만의 추천시스템을 만들어 보세요!

알고리즘 부터
꼼꼼하게

한 알고리즘을 여러가지 데이터에 바로 활용하도록
알고리즘 필수 요소부터 꼼꼼하게 학습하고 넘어갑니다.

국내유일
다양한 데이터로 실습 진행!💯

Movie Lens, 텍스트, 이미지, 음성/음악 데이터를 딥러닝 + 추천 알고리즘에 적용하여
이론으로 학습한 중요 알고리즘 모-두 실습으로 마스터합니다.

📌실습1. 기본 - 추천 알고리즘 구현

컨텐츠 기반 추천 알고리즘 : TF-IDF로 장르, 영화 tag 이용한 추천 알고리즘
여러 문서 속 각 문서 내에 있는 단어들에 수치값을 주어 자주 언급되는 단어에 대해 점수를 높게 부여하고 가중치를 바탕으로 추천 시스템을 구축하는 것
전체 문서 수 / 해당 단어가 나타난 문서 수로 계산하여 TF-IDF의 값이 높을수록 중요한 것으로 인식해 점수를 높게 부여합니다.

모델기반 협업 필터링 : Matrix Factorization 행렬 분해를 이용한 추천 시스템
행렬 인수 분해할 때 사용하는 목적함수를 최적화하는 기법을 알아보고 ALS를 활용한 matrix factorization을 직접 구현, data sparsity 문제, implicit feedback같은 자주 다루는 이슈를 살펴봅니다.

context-aware 추천시스템
추천에 영향을 미칠 수 있는 정보를 이용하여 맥락 기반의 추천 시스템을 구축해 봅니다. 데이터 양이 절대적으로 부족하더라도 괜찮은 추천시스템 구축 할 수 있습니다.

📌실습2. 심화 - 딥러닝 추천 알고리즘 구현

Neural Collaborative Filtering
Neurl Net 기반의 architecture인 Neural Collaborative Filtering은 보다 유연한 방식으로 user와 item간의 상호 관계를 설명할 수 있습니다.

Factorization Machine
가로 축은 index, 세로 축은 field 즉 각 feature 값을 갖는 행렬을 구성하게 됩니다. 추가적인 feature를 입력할 수 있고, 시간복잡도 또한 크게 줄일 수 있습니다.

Wide & Deep Learning for Recommender System
넓은 선형 모형과 깊은 신경망을 함께 학습하는 구조입니다. wide와 deep이라는 2가지 component를 이해하고, 두 component를 합쳐서 학습하면 어떤 장점이 있는지를 배웁니다.

Deep FM
FM (Factorization-Machine) 모델과 딥러닝을 결합해 wide & deep model에 비해 피쳐 엔지니어링이 필요 없고, end-to-end학습이 진행 가능, 저차원 interaction들은 FM 구조를 통해 모델화하고, 고차원 interaction들은 DNN을 통해 모델화하며, 동일한 input과 임베딩 벡터를 공유하기 때문에 효과적인 학습이 가능합니다.

AutoRec: AutoEncoders Meet Collaborative Filtering
대칭적인 구조를 갖는 autoencoder는 원하는 차원으로 손실을 최소화하여 데이터의 차원을 축소하고, feature extraction에 사용할 수 있는 훌륭한 알고리즘입니다.

📌실습3 . 실전 - 상품 리뷰 데이터로 추천 시스템 성능 끌어올리기 구현

Amazon 상품 리뷰 데이터를 자연어처리기법을 활용하여 텍스트의 feature를 찾아내고, 해당 feature를 모델 학습에 사용하면서 추천시스템의 성능이 어떻게 달라지는지 직접 실습합니다.

📚사용되는 논문
JOINT TRAINING OF RATINGS AND REVIEWS WITH RECURRENT RECOMMENDER NETWORKS

⚙알고리즘
Recurrent Recommender Networks

📌실습4 . 실전 - 상품 이미지 활용한 추천시스템 구현

Amazon 상품 이미지 데이터의 feature를 추천시스템에 적용하여 상품 추천에 이미지 정보가 도움되는지 확인해보는 실습을 합니다.

📚사용되는 논문
Image-based Recommendations on Styles and Substitutes

⚙알고리즘
weighted nearest neighbor, Mahalanobis transform, Distances and probabilities

📌실습5 . 실전 - Last FM로 듣고 싶은 음악 추천하기 구현

LastFM(영국음악데이터) 또는 Million Song Dataset를 활용하여 오디오 feature와 음악 메타정보를 동시에 활용하여 음악 추천시스템을 만드는 실습을 진행합니다.

📚사용되는 논문
Deep content-based music recommendation

⚙알고리즘
Content-based music recommendation, Collaborative filtering

최신 딥러닝 논문 12개 리뷰
직접 구현까지!🔍

어떤 Data Set을 활용할 것이며, 논문 요점, 필요한 수식 알고리즘 , 한계점 및 문제점 회고
어떤 테크닉을 사용한 것인지에 대해 분석하는 시간까지 한 번에 가져갑니다!
이 많은 논문, 알고리즘 꼼꼼하게 전부 다 공부하고 구현할 수 있습니다.

Classic Recommender System

📃 Content-based book recommending using learning for text categorization
⚙ content-based recommendation

📃 Matrix Factorization Techniques for Recommender Systems
⚙ model-based collaborative filtering

📃 Collaborative Filtering with Implicit Feedback datasets
⚙ model-based collaborative filterin

📃 Bayesian Personalized Ranking from Implicit Feedback
⚙ model-based collaborative filtering

📃 Matrix factorization techniques for context aware recommendation
⚙ context-aware recommender system

Deep Learning based Recommendation System

📃 Neural collaborative filtering
⚙ Neural Collaborative filterin

📃 Factorization machines
⚙ factorization machine

📃 Wide & Deep Learning for Recommender Systems
⚙ wide & deep

📃 DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
⚙ Deep FM

📃 Autoencoders Meet Collaborative Filtering
⚙ Autorec

📃 Image-based recommendations on styles and substitutes
⚙ weighted nearest neighbor, Mahalanobis transform, Distances and probabilities

📃 Deep neural networks for youtube recommendations
⚙ using deep neural networks as a generalization of matrix factorization

혼자서도 따라가도록
실습코드 제공!

실습코드를 통해 나만의 데이터로 추천 시스템을 만들고 성능 평가까지 할 수 있도록!
학습하며 궁금한 부분까지 모두 꼼꼼하게 체킹하고 넘어갈 수 있습니다.

완강 후
3가지는 꼭 가져갑니다.

현업에서 활용하는 알고리즘 학습 및 실습

실무에서 활용되고 있는 추천 알고리즘들에 대해 이론 및 실습을 통해 장단과 특징들을 배우고, 구현해야 하는 추천시스템에 대해 적합한 알고리즘을 활용할 수 있습니다.

나만의 데이터로 추천시스템 구현!

영화 데이터로만 실습을 진행하는 타 강의들과 다르게 영화, 음성, 이미지, 텍스트등 다양한 데이터를 활용해 실습합니다. 강사님의 실습 코드또한 제공되어 막힘없이 나만의 추천시스템을 구현할 수 있습니다.

체계적인 논문 리뷰까지!

학계에서 주목하는 논문 12개를 강사님과 함께 리뷰하고, 추천시스템 구현까지 실습하게 됩니다. 머신러닝 뿐만 아니라 딥러닝까지 강사님의 노하우를 통해 체계적으로 학습할 수 있습니다.

강사님을
소개합니다.

이재원 강사님

현) 서울대학교 산업공학과 데이터마이닝 연구실 - 석박통합과정 (1년차)
전) 미국 존스홉킨스대학 컴퓨터공학/응용통계학 복수전공
전) 하나금융투자 - 머신러닝을 활용한 퀀트 트레이딩 알고리즘 개발 (2년)
전) 네이버 - 챗봇 연구개발 (2년)

- SAT, AP 등 미국 대학 입학시험 과외 경험 및 학부시절 기초 통계학 수업 조교
- 2020년 4-6월 데이터다이빙 2,3기 머신러닝 기본과정(실시간 온라인 수업)
- 대학원 연구분야 : 자연어처리, 텍스트 마이닝, 추천시스템

저는 추천시스템의 A to Z, 모든 것을 설명하는 강의를 기획했습니다. 일반적으로 많이쓰는 추천알고리즘부터 딥러닝을 적용한 최신 추천 알고리즘까지 다루게 됩니다. 핵심 아이디어를 배우고, 논문 리뷰를 하고, 다양한 데이터로 직접 실습을 해보면서 추천 알고리즘과 친해지는 것 입니다. 다양한 데이터로 다양한 추천알고리즘을 실습하는 것이 강의의 핵심입니다. 여러가지 다양한 실습을 하고나면 여러분은 빠르고 효율적으로 여러분의 데이터, 여러분의 상황에 맞는 추천시스템을 구현하고 적용할 수 있습니다.

앞서나가는 회사들처럼
추천시스템을 구축해보세요🙆‍♂️

사용자의 취향을 파악하여 구매 확률을 높여주는 추천 시스템
이제 당신의 서비스에도 적용해보세요!

지그재그

소비자가 장바구니에 어떤 옷을 담으면, 해당 옷을 담았던 다른 사람들이 선택한 옷을 보여주기등, 앱을 거듭 사용할 수록 더욱 정확하게 취향에 맞는 옷 추천. 2015년 6월 출시이후 국내 패션 쇼핑앱 최초 2000만 다운로드 돌파

화해

사용자들의 리뷰작성과 검색 패턴등을 알고리즘화해 연령별, 피부타입&고민별, 카테고리별 화장품 랭킹 및 사용자 피부 특성 데이터와 매칭해 다양한 개인화 추천 서비스 제공. 500만건 이상의 리뷰 축적을 통해 지속적으로 추천 알고리즘 강화

산타토익

학습 패턴을 파악해 학습자가 틀릴 문제를 예측하고, 점수가 가장 빨리 오를 문제를 추천해주는 서비스 제공

에어비앤비

게스트의 필요 사항, 숙소 세부 사항, 여행 세부 사항 등을 고려하여 사용자의 취향 저격할 수 있는 것들을 추려 추천, 머신러닝 기반에서 딥러닝 기반 추천시스템으로 핵심 알고리즘을 바꾸는 것 실험중.

스포티파이

사용자들의 재생목록을 조합하는 방식을 모방해 20억에 달하는 곡을 저울질해서 사용자의 흥미를 유발할 수 있는 재생목록을 조합. 사용자의 검색 기록 패턴 및 잠재적 음악 선호도에 따라 Discover Weekly생성. 머신러닝을 통해 권장 사항 개선.

우버 이츠

사용자 취향과 기존 주문 내역을 분석해 맞춤형 레스토랑과 메뉴를 골라주는 방식으로 기존 즐겨찾기, 가까운 인기 레스토랑 목록 기능과 함께 추천하는 시스템.

그 어디도 비교불가!
추천시스템은 패스트캠퍼스👍

이 강의는
이런 분들이 딱이에요🙆‍♀️

• 현업 개발자이자, 추천시스템 개발 분야에 관심있는 분
• 컴퓨터 관련 전공 졸업반 및 취업 준비생으로 현업에서 데이터를 어떻게 활용하는 지 궁금한 분
• 추천시스템 부족한 한국어 자료로 공부하는 데 어려움을 겪었던 분
• 맞춤 추천 시스템을 통해 고객의 니즈를 파악하고자 하는 분석가
• 머신러닝에 대한 배경지식이 있으며, 취업을 원하는 분

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

최저가로 수강신청

구매 안내.

결제 후, 언제 어디서나 하루 10분 공부 시작.

• 홈페이지 회원가입 및 로그인
• 원하는 강의 결제하기
• 마이페이지에서 강의 시청하기

하루 10분으로
추천 시스템 완전 정복.

추천 시스템 기초 수학/ 알고리즘 이론부터 실제 데이터 실습, 성능평가까지.
목적에 맞는 추천시스템 데이터의 구조와 내용을 변경하는 것부터, 알고리즘, 머신러닝, 딥러닝까지 모두 학습합니다.

실무 활용도 100% 다양한 데이터로 실습하는 수업.
회사에서 업무를 진행해봐야 만날 수 있는 실제 데이터를 통해 추천시스템의 복합적인 문제를 내손으로 직접 해결해볼 수 있습니다.

원하는 장소 어디서나.
내가 마음먹은 곳 어디든 나만의 추천시스템 온라인 강의장이 됩니다.

무제한 반복 학습과 평생 소장.
이해가 잘 되지 않는 내용도 몇 번이고 반복 재생하여 학습할 수 있습니다.

추천 시스템
올인원 패키지 상세정보.

수업 시수

• 4개 대주제, 58개 강의 클립
• 약 26시간 분량

난이도

• 실전 - 심화
• 선수지식
① Jupyter Notebook으로 데이터 분석을 할 수 있다.
② 파이썬 라이브러리(numpy, pandas)를 자유롭게 사용할 수 있다.
③ 파이썬의 파이토치 또는 텐서플로우로 회귀 또는 분류 모델을 만들어 본 경험이 있다.
④ 기본 통계 용어를 알고 있으며, 행렬의 연산, 텐서의 개념을 이해하고 있다.
⑤ 머신러닝 또는 딥러닝 모델 학습을 해본 경험이 있다

강의 특징

• 수강료 1회 결제로 평생 소장

부가 학습 자료

• 강의 영상 공개 후, 마이페이지 > 내 강의 보기 > 온라인 강의장에서 확인 가능

함께 들으면 더 좋은 강의를 추천해드릴게요!

[이벤트 주의사항 및 환불규정 ]

이벤트 주의사항 및 환불규정 바로가기 ☞

주의사항 * 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다.

– 총 학습기간 :
정상 수강기간(유료 수강기간) 최초 1개월(30일), 무료 수강 기간은 31일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
본 패키지는 약 26시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일 :
수강 시작일은 결제일로부터 기간이 산정됩니다. (사전 예약 강의의 경우 1차 강의 오픈일) 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는해당 일정 만큼 수강 시작일이 연기됩니다.
* 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인이벤트 적용 불가 합니다.
– 콘텐츠는 향후 당사의 일정에 따라 추가 또는 업데이트 될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

환불규정 – 수강시작 후 7일 이내, 5강 미만 수강 시에는 100%환불 가능합니다.
– 수강시작 후 7일 초과, 5강 이상 수강시 수강기간인 1개월(30일) 대비 잔여일에 대해 다음과 같이 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 8일 ~10일 미만 경과시, 실 결제금액의 2/3에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 11일~15일 미만 경과시, 실 결제금액의 1/2에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 15일 초과 시, 환불금액 없음

패스트캠퍼스 아이디 공유 금지 정책 안내 아이디 공유란?
1개의 아이디로 여러명이 공유하여 수강하는 형태를 말합니다. 패스트캠퍼스의 모든 온라인 강의에서는 아이디 공유를 금지하고 있습니다.
동시접속에 대한 기록이 내부 시스템을 통해 자동으로 누적되며, 동시 접속 기록이 10회 이상 확인되는 경우 사전 안내없이 아이디가 차단될 수 있습니다.

추천시스템

국내외 추천시스템을 집중해서 다루는 자료를 찾기 어려워요.

Movie Lens 실습 하나로 추천시스템을 업무에 적용하기 어려워요.

논문 리뷰 스터디로 해결하기에 한계가 있어요.

✍수업 목표

Part 1. 추천시스템이란?

Part 2. 무조건 알아야 하는 추천 알고리즘

Part 3. 알아두면 좋은 추천 알고리즘

Part 4. 딥러닝과 추천 알고리즘

상세 커리큘럼.

Classic Recommender System

Deep Learning based Recommendation System

현업에서 활용하는 알고리즘 학습 및 실습

나만의 데이터로 추천시스템 구현!

체계적인 논문 리뷰까지!

이재원 강사님

지그재그

화해

산타토익

에어비앤비

스포티파이

우버 이츠

결제 후, 언제 어디서나 하루 10분 공부 시작.

수업 시수

난이도

강의 특징

부가 학습 자료

함께 들으면 더 좋은 강의를 추천해드릴게요!

수강료.