초격차 패키지

30개 프로젝트로 끝내는
추천시스템 구현

입문 알고리즘이 아닌 추천
‘시스템’ 에 집중한 커리큘럼

추천시스템을 도입하여 비즈니스 성장을
이끌어낼 수 있는 커리큘럼 구성
실 서비스 도입에 초점을 맞춘
30가지의 케이스 스터디

현업에서 추천시스템을 도입하였을 때 고려해야 할 다양한 포인트를 학습하며 추천시스템 설계
실제 문제를 해결해볼 수 있는
논문 리뷰와 구현까지

문제 상황별 추천의 정확도를 높이는 추천시스템 논문 리뷰와 구현

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

기본 정보

• 11개 대주제(약 77시간 분량)
• 입문 - 실전 - 응용
• 선수지식 : 머신러닝과 딥러닝에 대한 이해, Tensorflow / Pytorch
프레임워크 사용법에 대한 이해

강의 특징

• 수강료 1회 결제로 평생 소장
• 실무에서 강화학습 적용으로 성능 개선이 가능한 학습
• 강사님의 질의응답 제공

글로벌 기업들은 딥러닝/머신러닝을 활용한 추천시스템으로
고객이 원하는 상품을 정확하게 추천하여 만족도를 높이고 있습니다.

추천시스템으로 성과를 내는 대표 기업들의 사례로
학습 니즈 또한 함께 성장하고 있습니다.

하지만
대부분의 강의들은 이론과 알고리즘에 초점을 맞추고 있기에 현실의 문제를 해결하기에 부족함이 많습니다.

왜 현실의 문제를 해결하기 어려울까요?

이러한 고민을 한 번에 해결해줄 수 있는 해결책 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지

실제 문제 해결에 집중하여 구성한
6가지 핵심 포인트!

추천시스템 모델을 이해하고 완성도 있는 개발을 구성하는데 꼭 필요한

4가지의 부가자료 혜택까지!

2023.06.30일부터 2026.05.31일까지 매달 말일에 2개씩 공개됩니다.

3차 공개 오픈일에 공개됩니다.

전체 영상 오픈일에 공개됩니다. / PDF 자료로 제공

전체 영상 오픈일에 공개됩니다.

데이터 특성과 비즈니스 목표를 고려한 추천 시스템 커리큘럼

01. 추천 시스템의 깊이에 대한 이해와 기초 & 최신 추천 기술 활용 역량

02. 현업의 상황을 고려한 추천시스템 적용

03. 데이터의 특징 파악 & 추천시스템 아키텍처 구성

04. 고객과 데이터 특징별 분석으로 진행하는 논문 리뷰 & 구현

Point 01

기초부터 딥러닝을 적용한 모델까지 학습

고전적인 추천 시스템부터 딥러닝 기반 추천시스템까지 전반적인 흐름을 이해

Point 02

그래프 기반(GNN) 추천시스템

그래프의 구조적 정보를 활용하기 위해 그래프 뉴럴넷 방법론을 학습하여 CF와 FM 방법론에 어떻게 녹아들었는지 학습

그래프 기반 추천시스템은 이렇게 문제를 해결합니다!

그래프 기반 추천시스템 학습 로드맵

Point 03

Cold Start Problem 해결

Cold Start 상황 속 고객의 선호를 추정하는 4가지의 다양한 상황과
실제 서비스에서 Cold User 대상 추천 생성 시 해결방안 제시가 가능한 인사이트 학습

Point 04

Essential of Recommendation System

추천 시스템 학습이 필요한 이유와
현업에서 추천 시스템 구축에 필요한 여러 요소들을 학습

비즈니스 성장에 도움이 되는 추천 프로덕트를 만들기 위해
추천 알고리즘이 아닌 추천시스템에 집중하는 이유를 학습할 수 있습니다.

현업에서 추천 알고리즘을 선택해서 적절한 추천시스템을 구현하는 것은 어려운 일이었습니다.
그러나 벤치마크가 도입된 후,
각 기업의 상황에 맞게 추천시스템 알고리즘 적용이 용이해지며 더 적절한 추천이 가능합니다.

Point 05

15가지 추천시스템 사례 분석 및 실습

실제 추천 서비스를 대상으로 모델 구성부터 설계까지 직접 구축해보고 이를 기반으로 실습

추천시스템 구조에 각각 차이가 있는 다양한 기업들의 사례를 기준으로 추천 시스템이 어떻게 발전해왔는지 학습합니다.

다양한 기업들의 사례를 학습한 후 데이터 셋 구성, Candidate Generation, Cold Start 등
여러 추천 문제에서 활용되는 Taxonomy를 구성하는 사례도 같이 학습합니다.

기업 사례 학습을 기반으로 직접 추천시스템을 설계해보며 시스템에 대한 이해를 한층 더 높일 수 있습니다.

데이터는 추천시스템의 설계부터 시작해서 계속 염두해둬야 할 중요한 요소입니다.
Funnel 기반 사용 가능한 데이터를 분석하고 모델이 사용할 수 있는 다양한 데이터를 발굴할 수 있는 방법론을 학습합니다.

‘실제 내가 회사에 추천시스템을 도입한다면’ 고려해야 할 종합적인
피쳐, 데이터 파이프라인, 모델, 메트릭 등 시스템을 설계하여 여러 도메인 기반 실습을 진행합니다.

Point 06

15가지 추천시스템 구축 실습

다양한 데이터 특징 별 추천 알고리즘 학습부터 실제 구현에 필요한 알고리즘 구성 노하우와 페인 포인트를 학습

다양한 도메인 데이터 및 특징에 맞는 추천 알고리즘 학습으로
추천시스템의 데이터 이해력과 모델링 노하우를 배울 수 있습니다.

1. 추천시스템 데이터 특징별 학습

2. 비정형 및 외부데이터 분석 방법론 학습

다양한 데이터의 특징을 학습하고 이에 맞는 알고리즘을 사용하여
직접 추천 알고리즘 적용 실습을 진행하고 결과를 분석합니다.

실습 후 추천 데이터 별 알고리즘 선택 방법에 대해 다시 한 번 리뷰하며 복습합니다.

Point 07

추천시스템 기획하기

고객 타겟팅 및 그룹핑 방법론 학습과 페르소나를 정의하여 보다 명확한 타겟 기반
추천시스템을 구축하고 전반적인 추천시스템 개발 로드맵을 학습

| 해당 커리큘럼은 대규모 추천시스템을 구현할 때 사용되는 로드맵을 그대로 반영하였습니다. |

먼저 어떤 대상을 추천해야 할지 추천 대상을 정의합니다.

설정한 추천 대상을 기반으로 전반적인 추천시스템 기획안을 직접 구성합니다.

데이터 처리 흐름 설계

비용 및 기간 산정

추천 시스템 기획안을 토대로 직접 추천시스템을 구현합니다.

전반적인 추천시스템 개발과정을 학습하여 여러 추천 유형의 데이터 분석에 필요한 문제해결 능력, 분석 능력,
그리고 프로젝트 전체를 관리하고 실행할 수 있는 능력을 강화할 수 있습니다.

Point 08

추천시스템 논문 리뷰 및 구현

산업군별 고객과 데이터의 특징에 주안점을 두어 현업에서 추천 결과의
정확도를 높이는 논문을 리뷰 및 구현

주요 추천시스템 핵심 학회 소개와 논문을 읽고
이해하는 과정에 대한
체계적인 학습 강의 추가 제공!

Point 09

학습하면서 궁금한 내용은 언제든
디스코드 질의응답 채널에 질문

현직 추천 시스템 엔지니어 강사님들이 직접 답변드립니다!

*교육 내용 범주 안에서만 질의 응답 가능합니다.
*2023년 6월 16일부터 2026년 6월 16일까지 운영됩니다.

Q&A

Question 1.

어떤 분들이
수강하시면 좋을까요?

• 실제 추천 Product를 운영할 수 있는 추천시스템을 개발하고자 하는 엔지니어
• 다양한 데이터의 특징을 이해하여 각자의 도메인에 추천시스템을 적용하고자 하는 데이터 사이언티스트

Question 2.

필요한
선수지식이 있을까요?

• 여러 파이썬 라이브러리에 대한 이해
(Pandas, Numpy, Scikit-learn, Scipy 등)
• 기본적인 머신러닝/딥러닝 지식과 Tensorflow/Pytorch 등 프레임워크 사용법에
대한 이해가 필요합니다.

Question 3.

개발환경

• Google Colab
• Tensorflow / Pytorch 프레임워크
• Elasticsearch, Redis

강사 소개

커리큘럼

Part 1. 추천시스템의 전반적인 흐름 학습

01. 고전적 추천시스템

• 강사 및 강의 소개
• 추천시스템 소개
• 비즈니스 적용 사례
• 추천시스템의 어려움
• 추천시스템 파이프라인
• 고전적 추천 알고리즘
• 연관 규칙 분석
• 컨텐츠 필터링
• 협업 필터링
• 코드 실습 (1) 기초 수학
• 코드 실습 (2) 기초 파이썬
• 코드 실습 (3) 고전적 추천 알고리즘
• 코드 실습 (4) 연관 규칙 분석
• 코드 실습 (5) 콘텐츠 필터링
• 코드 실습 (6) 협업 필터링

02. 머신러닝 기반 추천시스템

• 데이터 기반 모델 학습의 직관
• 선형 회귀 모델
• 의사 결정 나무
• 손실 함수와 최적화
• 학습 평가 지표
• 트리 기반 모델
• 행렬 분해 알고리즘
• Factorization Machine • 정확도 지표 • 기타 평가 지표 • XAI • LIME 알고리즘 • SHAP 알고리즘 • EBM 알고리즘 • 코드 실습 (1) 손실함수와 최적화 • 코드 실습 (2) 트리 기반 추천 모델 코드 실습 • 코드 실습 (3) 행렬 분해 기반 추천 모델 • 코드 실습 (4) 추천시스템 평가 지표 • 코드 실습 (5) XAI 알고리즘 - LIME SHAP • 코드 실습 (6) EBM 실습

03. 딥러닝 기반 추천시스템

• 딥러닝이란
• 코드 실습 (1) XOR
• 코드 실습 (2) UAT
• 코드 실습 (3) MLP
• 딥러닝 학습 기법 (1)
• 딥러닝 학습 기법 (2)
• 딥러닝 학습 기법 (3)
• 코드 실습 (4) Activation Initialization
• 코드 실습 (5) Drop Out 실습
• 코드 실습 (6) Optimizer 실습
• CNN알고리즘
• 코드 실습 (7) CNN 실습
• RNN알고리즘
• Word2Vec
• 코드 실습 (8) Word2Vec
• Attention 메커니즘
• Transformer
• 딥러닝 추천시스템의 분류
• CF기반 딥러닝 알고리즘
• 코드 실습 (9) NCF
• FM 기반 딥러닝 모델 (1)
• FM 기반 딥러닝 모델 (2)
• 시퀀스 기반 추천 모델 (1) GRU4REC
• 시퀀스 기반 추천 모델 (2) SASREC
• 시퀀스 기반 추천 모델 (3) BER4REC

Part 2. GNN 추천시스템

01. 그래프 기반 추천시스템

• 들어가며
• 그래프 데이터의 이해
• 그래프 어플리케이션
• 코드 실습 (1) 그래프 조작 실습
• PageRank
• GNN Overview
• Deepwalk
• GCN
• GraphSAGE
• 코드 실습 (2) DGL 라이브러리
• 코드 실습 (3) GraphSAGE
• GAT
• PinSAGE
• 지식그래프
• 지식그래프 임베딩
• RippleNet
• KGAT

Part 3. Cold Start 문제 해결 방법

01. Cold Start Problem

• ColdStart란?
• 콜드스타트 개선의 필요성
• 콜드스타트 개선 방법 - Naive Approcahes
• 선호도 유도
• Feature 정보 활용
• Feature 정보 활용 비즈니스 케이스
• MAB
• 코드 실습 (1) MAB
• 그래프 구조 활용
• LINE 쿠폰 추천
• 대화형 추천 시스템
• chatGPT를 사용한 대화형 추천
• chatGPT 활용 추천 파이프라인

Part 4. 추천시스템이 필요한 이유

01. 추천시스템 소개

• 추천 모델을 넘어 추천시스템이 필요한 이유
• 추천시스템을 만들기로 할 때 먼저 알아야할 점
• 대표적인 추천 Product

02. 모던 추천시스템 아키텍쳐

• 추천 모델 히스토리 (1)
• 추천 모델 히스토리 (2)
• 유투브 추천 아키텍쳐 (1)
• 유투브 추천 아키텍쳐 (2)
• 멀티 스테이지 아키텍쳐 (1)
• 멀티 스테이지 아키텍쳐 (2)
• 다른 추천시스템 아키텍쳐

03. 추천시스템 데이터 셋 구성 방법

• 추천시스템에 필요한 데이터 셋
• 추천시스템 데이터 셋 구성 방법 (1)
• 추천시스템 데이터 셋 구성 방법 (2)

04. 추천시스템의 메트릭

• 오프라인 메트릭부터 비즈니스 메트릭까지

Part 5. 현업에서 활용되고 있는 대표 추천 알고리즘

01. 추천 알고리즘 벤치마크

• BARS 소개

02. Retrieval 알고리즘

• Matrix Factorization vs DNN
• Two tower architecture (1)
• Two tower architecture (2)
• 새로운 모델이 나왔을 때 확인해야할 점
• Two tower 실습 (1)
• Two tower 실습 (2)

03. Ranking 알고리즘

• Ranking 알고리즘의 특징
• GBDT
• DLRM
• Deep Cross Network
• DCN 실습 • Ranking 알고리즘의 특징
• GBDT
• DLRM
• Deep Cross Network
• DCN 실습 (1)
• DCN 실습 (2)

04. 휴리스틱 알고리즘

• Utility Score 기반 추천시스템
• Utility Score 기반 추천시스템 사례 (해외)
• Utility Score 기반 추천시스템 사례 (국내)

05. Self Supervised Learning과 추천시스템

• Self Supervised Learning이란?
• Self Supervised Learning의 종류
• Self Supervised Learning의 사례

06. Tensorflow Recommenders & Ranking

• Tensorflow Recommenders란?
• Tensorflow Recommenders 구조
• Tensorflow Recommenders Retrieval 실습
• Tensorflow Recommenders Ranking 실습

07. CatBoost

• CatBoost 소개

08. DeepCTR

• DeepCTR 소개
• DeepCTR 실습

Part 6. 추천시스템 구성 및 사례 분석

01. 추천시스템을 구성하는 컴포넌트

• 로깅과 Feature Transformer (1)
• 로깅과 Feature Transformer (2)
• Retrieval 과 Ranking (1)
• Retrieval 과 Ranking (2)
• 실험 플랫폼
• 추천시스템 구성 사례

02. 사례 분석: Ebay

• 비슷한 상품 추천 Product
• 같이 살 상품 추천 Product
• 개인화 추천 Product
• 비슷한 상품 추천 Product - Ranking

03. 사례 분석: Doordash

• 머신러닝 기반 추천시스템
• 딥러닝 기반 추천시스템 (1)
• 딥러닝 기반 추천시스템 (2)
• MAB 기반 추천 사례

04. 사례 분석: Spotify

• Explainable 추천 시스템 (1)
• Explainable 추천 시스템 (2)
• Playlist 추천 Product

05. 장소 추천시스템 설계 및 PoC 구축

• 유저 임베딩 (PinnerSage)
• 검색어 임베딩 (SearchSage)
• 유저 시퀀스 임베딩 (PinnerFormer)
• Retrieval 사례
• Ranking 사례 (1)
• Ranking 사례 (2)

Part 7. 다른 산업의 추천시스템 설계해보기

01. OTT 추천시스템 설계

• OTT 추천시스템 설계
• 데이터 살펴보기
• 데이터 전처리하기
• 피쳐 변형하기
• 홈페이지 추천 Product (1) Retrieval
• 홈페이지 추천 Product (2) Ranking, Ordering
• 다음 동영상 추천 Product - Retrieval
• 아트워크 추천 Product - MAB

02. Social Media 추천시스템 설계

• 소셜 미디어 추천시스템 설계
• 데이터 살펴보기
• 친구 추천 Product - Graph
• 홈피드 추천 Product - Graph based retrieval
• 광고 추천 Product - Ranking, Calibration

03. 이커머스 추천시스템 설계

• 이커머스 추천시스템 설계
• 검색 추천 Product (1) Embedding
• 검색 추천 Product (2) Retrieval
• 비슷한 상품 추천 Product - Embedding
• 같이 산 상품 추천 Proudct - Filtering
• 방금 본 상품과 연관 상품 Product - Ranking
• 배너 추천 Product - MAB
• 카테고리 추천 Product - Preprocessing

04. 뉴스 추천시스템 설계

• 뉴스 추천시스템 설계
• 검색 추천 Product - Retrieval
• 개인화 추천 Product - Topic Modeling
• CatBoost - Learning to Rank

05. 음식점 장소 추천시스템 설계 및 PoC 구축

• 장소 추천시스템 설계
• Preprocessing
• 카테고리 임베딩
• Indexing
• 모델 데이터셋 준비
• 랭킹 모델 학습
• Feature Store
• Indexing for geo search
• 위치 기반 추천
• 새로운 가게 추천
• API 제작 및 실행

Part 8. 추천 데이터 특징별 다양한 추천 알고리즘 찾기 (내가 가지고 있는 요리재료 체크)

01. 추천 데이터 특징별 정의

• 추천 데이터 종류(User-Item-Interaction Data)
• 추천 데이터 종류(Context Data)
• 추천 데이터 밀도 특징
• 추천 데이터 형태 특징
• 추천 데이터 출처 특징

02. 비정형 및 외부 데이터 추가 분석 방법론

• 자연어 데이터 분석 방법론 개념 및 프로세스
• 자연어 데이터 분석(단어쪼개기)
• 자연어 데이터 분석(단어 임베딩 추천)
• 자연어 데이터 분석(감성분석 추천)
• 이미지 데이터 분석 방법론 개념 및 전처리
• 이미지 데이터 분석 방법론(이미지 활용 추천)

03. 추천 데이터별 알고리즘 적용 및 결과 분석

• 패션 및 스타일 추천 결과분석
• 여행 및 관광지 추천 결과분석
• 유튜브 채널 추천 결과분석
• 음식점 추천 결과분석
• 연관뉴스 추천 결과분석
• 식자재 연관상품 추천 결과분석
• 게임 로그데이터 기반 캐쉬아이템 추천 결과분석
• 배달음식 추천 결과분석
• 애니메이션 추천 결과분석
• 랩탑 컴퓨터 추천 결과분석
• 휴대폰 추천 결과분석
• 중고차 구매 연관 추천 결과분석
• 커피 구매 추천 결과분석
• 웹툰 추천 및 결과분석
• 구글 플레이스토어 어플 연관 추천 결과분석

04. 추천 데이터 특징별 알고리즘 정리

• 추천 데이터 특징별 알고리즘 정리 (1)
• 추천 데이터 특징별 알고리즘 정리 (2)
• 추천 데이터 특징별 알고리즘 정리 (3)

Part 9. 추천시스템 기획하기

01. 추천 대상 정의

• 누굴 타겟팅 하는가?
• 어떻게 추천할까?
• 타겟별로 추천이 잘 되었는가?

02. 추천시스템 기획안 작성

• 추천시스템 아키텍쳐 설계
• 데이터 마트 및 플로우 설계
• 비용 및 기간 산정

Part 10. 기획안 기반 추천시스템 개발 실습

01. 고객 페르소나 및 가설 정의

• 고객 페르소나 도출
• 현업 인터뷰 기반 가설 설정

02. 가설 기반 데이터 마트 설계/구축

• 정형 데이터 기반 데이터 마트 구성
• 비정형 데이터 기반 데이터 마트 구성(자연어 데이터)
• 비정형 데이터 기반 데이터 마트 구성(이미지 데이터)
• 비정형 데이터 기반 데이터 마트 구성(날씨 데이터)
• 비정형 데이터 기반 데이터 마트 구성(검색량 데이터)

03. 모델 리서치 및 모델링

• 데이터 특징 기반 모델 리서치 및 모델링
• 추천 타겟별 세부 모델 구조 설계
• 최종 하이브리드 모델링 진행

04. 실 서비스 중심 아키텍쳐 설계

• MLOps 시스템 아키텍쳐 설계

05. A/B Test 기획 및 진행

• 내부 검증을 위한 검증 대시보드 기획
• 고객 기반 A/B Test 결과물 도출 및 비교 분석
• 고도화 포인트 도출 및 모델 고도화 방안 수립

06. 실시간 서비스 배포

• 엔지니어와 협업을 위한 모델 명세서 기획 및 전달

Part 11. 다양한 산업군 추천시스템 적용을 위한 논문 리뷰 & 구현

01. 유투브 추천시스템

• 논문 개요
• 시스템 개요
• 후보 생성 모델 설명
• 랭킹 모델
• 결론

02.여행 컨텍스트 기반 호텔 추천시스템

• 논문 개요
• Related Work
• 방법론
• Entity2Vec 방법론
• 실험
• 결론

03. 이미지, 텍스트 기반 멀티모달 패션 추천 시스템

• 논문 개요
• Fine Grained Visual Preference Modeling
• Review Enhanced Model Supervision
• 최적화 목표
• 실험
• 결론

04. CTR을 높이는 추천 시스템

• 논문 개요
• 접근법
• 실험
• 결과

05. 채용 시장에서의 양방향 추천시스템

• 논문 개요
• 문제 정의
• 방법론
• 실험
• 결과
• 실습

06.베이지안 기반의 개인화 랭킹 모델

• 논문 개요 및 문제 정
• VAE 모델
• VAE 실습 (1)
• VAE 실습 (2)
• VAE 실습 (3)

07. Variational Auto Encoder 기반의 추천 시스템

• 논문 개요 및 문제 정의
• BPR-OPT
• 실험 설계 및 결과, 결론
• BPR 실습 (1)
• BPR 실습 (2)
• BPR 실습 (3)

08. 간단하지만 강력한 GCN 기반 추천 시스템

• 논문 개요 및 문제 정의
• LightGCN 모델
• 실험 설계 및 결과
• 결론
• LightGCN 실습 (1)
• LightGCN 실습 (2)
• LightGCN 실습 (3)

09. 추천 시스템 논문 Tip

• 추천 시스템 분야 논문 전략적으로 읽기

상세 커리큘럼.

자세한 커리큘럼 및 내용은 여기서 확인하세요!

자세히 보기 »

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

이 강의도 추천해요.

학습규정 * 본 상품은 동영상 형태의 강의를 수강하는 상품입니다.
* 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 3개월(90일), 무료 수강 기간은 91일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
본 패키지는 약 77시간 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.

주의사항 – 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
– 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인 이벤트 적용이 불가할 수 있습니다.
– 커리큘럼은 제작 과정에서 일부 추가, 삭제 및 변경될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

환불규정 – 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 쿠폰을 사용하여 강의를 결제하신 후 취소/환불 시 쿠폰은 복구되지 않습니다.

– 수강시작 후 7일 이내, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 초과, 5강 이상 수강 시 정상 수강기간(유료 수강기간) 대비 잔여일에 대해 다음과 같이 환불 가능합니다.
환불요청일 시 기준
: 수강시작 후 1/3 경과 전, 실 결제금액의 2/3에 해당하는 금액 환불
: 수강시작 후 1/2 경과 전, 실 결제금액의 1/2에 해당하는 금액 환불
: 수강시작 후 1/2 경과 후, 환불 금액 없음

* 보다 자세한 환불 규정은 홈페이지 취소/환불 정책에서 확인 가능합니다.

패스트캠퍼스 정책 안내 [패스트캠퍼스 아이디 공유 금지 정책]
패스트캠퍼스의 모든 온라인 강의에서는 1개의 아이디로 여러명이 공유하는 형태를 금지하고 있습니다.
동시접속에 대한 기록은 내부 시스템을 통해 자동으로 누적되며, 이후 서비스 이용이 제한될 수 있습니다.

[기기제한 정책]
패스트캠퍼스 온라인 강의 시청을 위해서는 ID별 최대 3개의 기기를 등록할 수 있으며, 기기 등록은 온라인 강의장 접속 시 자동 등록됩니다.
최대 갯수를 초과하였을 경우 등록된 기기 해제가 필요합니다.

[저작권 정책]
패스트캠퍼스의 모든 강의는 무단 배포 및 가공하는 행위, 캡쳐 및 녹화하여 공유하는 행위, 무단으로 판매하는 행위 등 일체의 저작권 침해 행위를 금지합니다.
부정 사용이 적발될 경우 저작권법 위반에 의한 법적인 제재를 받으실 수 있습니다.

기본 정보

강의 특징

01. 고전적 추천시스템

02. 머신러닝 기반 추천시스템

03. 딥러닝 기반 추천시스템

01. 그래프 기반 추천시스템

01. Cold Start Problem

01. 추천시스템 소개

02. 모던 추천시스템 아키텍쳐

03. 추천시스템 데이터 셋 구성 방법

04. 추천시스템의 메트릭

01. 추천 알고리즘 벤치마크

02. Retrieval 알고리즘

03. Ranking 알고리즘

04. 휴리스틱 알고리즘

05. Self Supervised Learning과 추천시스템

06. Tensorflow Recommenders & Ranking

07. CatBoost

08. DeepCTR

01. 추천시스템을 구성하는 컴포넌트

02. 사례 분석: Ebay

03. 사례 분석: Doordash

04. 사례 분석: Spotify

05. 장소 추천시스템 설계 및 PoC 구축

01. OTT 추천시스템 설계

02. Social Media 추천시스템 설계

03. 이커머스 추천시스템 설계

04. 뉴스 추천시스템 설계

05. 음식점 장소 추천시스템 설계 및 PoC 구축

01. 추천 데이터 특징별 정의

02. 비정형 및 외부 데이터 추가 분석 방법론

03. 추천 데이터별 알고리즘 적용 및 결과 분석

04. 추천 데이터 특징별 알고리즘 정리

01. 추천 대상 정의

02. 추천시스템 기획안 작성

01. 고객 페르소나 및 가설 정의

02. 가설 기반 데이터 마트 설계/구축

03. 모델 리서치 및 모델링

04. 실 서비스 중심 아키텍쳐 설계

05. A/B Test 기획 및 진행

06. 실시간 서비스 배포

01. 유투브 추천시스템

02.여행 컨텍스트 기반 호텔 추천시스템

03. 이미지, 텍스트 기반 멀티모달 패션 추천 시스템

04. CTR을 높이는 추천 시스템

05. 채용 시장에서의 양방향 추천시스템

06.베이지안 기반의 개인화 랭킹 모델

07. Variational Auto Encoder 기반의 추천 시스템

08. 간단하지만 강력한 GCN 기반 추천 시스템

09. 추천 시스템 논문 Tip

상세 커리큘럼.

이 강의도 추천해요.

root layout

30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지