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.
추천시스템
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.
-
상세 커리큘럼.
자세한 커리큘럼 및 내용은 여기서 확인하세요!
코스 프로모션 배너 전용입니다.
0일
0시간
0분
0초
코스 프로모션 배너 전용입니다.
(자동)
(자동)
(자동)
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
📌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.
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
📚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
📚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
📚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.
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
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)
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.
[이벤트 주의사항 및 환불규정 ]
이벤트 주의사항 및 환불규정 바로가기 ☞
수강료.
-
올인원 패키지 : 딥러닝을 활용한 추천시스템 구현
현재 정가 대비 25% 할인 중!
9월 30일 금요일 자정 까지
국내 8개 카드사 12개월 무이자 할부 지원! (간편 결제 제외)
※ BC카드의 경우, 비씨(페이북)을 선택하여 결제시에만 12개월 무이자 할부가 가능합니다.
(BC계열 – 우리/제일/기업/대구/경남/부산/광주/수협/전북/제주/신협)