이동주

추천시스템
유튜브추천
추천알고리즘

100개의 비즈니스 문제가 있다면
이에 따른 100개의 추천시스템이 필요합니다.

특히, 현업의 추천시스템은 문제와 상황에 따라 사용하는 기법과 접근 방식이 다양합니다.
따라서 이동주의 The RED에서는 데이터와 비즈니스 문제를 분류해 각 Case에 맞는 추천시스템을 학습하게 됩니다.
이외에도 고급 추천 기술들, 현업 데이터를 이용한 실습까지
실제 서비스에 녹아 있는 추천 시스템의 철학과 방법론에 대해 전-부 담았습니다.


삼성전자, 부스트, 번개장터를 거치며
검색·추천 시스템 및 데이터 마이닝 기능 등을 집중적으로 강화해
각 분야에서 알고리즘과 플랫폼을 개발한 경험으로
추천 시스템 기술에 대한 이해를 충분히 할 수 있는 강의를 만들고 싶었어요.
서비스를 더 가치 있게 만드는 추천시스템을 구현할 수 있도록 도와드리겠습니다.


by 번개장터 CTO 이동주

이동주에게 추천시스템을 배우면 확실히 다릅니다.
추천 알고리즘 뿐 아니라, 데이터를 분석하는 과정 전체를 경험할 수 있습니다.

추천시스템의 개념부터 분류방법,
성능평가까지 추천시스템의
알고리즘을 이해합니다.

영화, 상품 (커머스), 뉴스, 광고
도메인에서의 실질적인 추천 시스템
적용 방식을 배웁니다.

추천에서의 머신러닝, 딥러닝 기술이
적용되는 고급 스킬들을 배웁니다.

유명 커머스 기업 실제 데이터들을
활용하여 추천이 적용되는 사례를
비즈니스 모델 관점에서 알아봅니다.

Overview
딥러닝기술
영화추천시스템

Learning Point

현업 데이터를 활용한 4가지 도메인별 case로
실무에 더 가까워진 추천시스템. 당장 우리 서비스에 적용 GO!

도메인마다 추천 목적, 환경, 데이터 종류 등 다양한 시각으로 접근하기도 어렵고 업무에 적용하기에도 힘들었다구요?
추천 시스템은 도메인을 이해하는 것이 중요합니다. 도메인에 따라서 다른 방식을 선택해야하고, 다른 연관 기술들이 필요한 경우가 있습니다.
이를 경험할 수 있도록, 다양한 이론을 소개하고 영화, 커머스, 뉴스, 광고의 네 가지 다른 특성을 가진 데이터로 실습을 구성했습니다.
*혼자서도 연습하실 수 있도록 실습 자료와 실습에 활용되는 데이터도 모두 제공됩니다.

✔ Case 1. CF 기반 e-Commerce 추천
유명 커머스 기업 실제 상품, 사용자, 이벤트 데이터를 활용하여 아래 내용을 구현해봅니다.

• implicit feedback을 이용해서 사용자 선호도를 추정해봅니다.
• 다양한 통계적 방식을 이용한 인기 상품 추천, CF 위주로 연관 추천, 실시간 개인화 추천 실습을 해봅니다.
• 다양성 향상 실습, 그래프 기반 추천 실습도 연습할 수 있습니다.

베스트 추천

연관 추천

개인화 추천

✔ Case 2. 디지털 광고에서의 추천
실제 번개장터 광고 데이터를 활용하여 실습을 통해 아래 내용을 구현해봅니다.

• 매출 최적화라는 목적을 달성하기 위해서 입찰 방식인 광고와 click 예측을 접목한 실습을 해봅니다.
• xgboost(or lightgbm)를 이용한 추천 실습을 해봅니다.

피쳐 분석

피쳐 중요도

광고 추천 예시

✔ Case 3. 평점 예측을 통한 영화 추천
Movie lens 데이터를 활용하여 아래 내용을 구현해봅니다.

• explicit feedback의 대표적인 예인 평점 데이터 이용합니다.
• CF, Item-based CF, User-based CF를 python으로 직접 구현해 봅니다.
• Matrix Factorization도 적용해봅니다.

CBF

Item-based CF

User-based CF

✔ Case 4. 뉴스 추천
MIND (MS에서 공개한 뉴스 추천 데이터 셋) 데이터를 활용하여 아래 내용을 구현해봅니다.

• implicit feedback을 사용합니다.
• 자연어 처리(NLP)를 이용한 사용자 profile을 생성하고 추천해봅니다.
• Topic Modeling (LDA)을 이용한 임베딩과, 대표적 딥러닝 모델인 doc2vec을 이용한 임베딩을 적용하여 추천하는 방법을 알아봅니다.

NLP

LDA

뉴스 추천 예시

여기서 끝이 아닙니다! 질의응답 게시판을 통한 초밀착 케어!

수업 내용부터 실습까지 잘 모르는 내용이 있으면 질의응답 게시판에 자유롭게 질문하세요
10년동안 현업에서 추천시스템을 구축하고 있는 이동주님이 직접 답변해드립니다!

*본 질의응답 게시판은 강의 1차 오픈일(10/8) 이후 질문이 가능합니다.
*질의응답은 2021.10.09~2023.09.05까지 진행됩니다.

강사님 한마디


“추천시스템은 스트리밍, 커머스, 서비스 등
바탕이 되는 서비스에 더해져 사용자 경험을 개선하며
서비스의 본질 가치를 극대화하는 시스템입니다.”

처음 추천을 공부할 때는 영화 평점 데이터를 이용해서 공부했는데요. 막상 현업에서의 문제를 풀 때는 확보할 수 있는 데이터도 달랐고, 평점 예측보다는 사용자 방문을 유도해야한다거나 매출을 올려야 한다는 등 좀 더 본질적 가치를 올릴 수 있는 추천 방안을 만드는게 더 중요했습니다.

커머스, 미디어, 광고 등 여러 도메인에서의 추천 문제를 고민하다보니 각 도메인에서의 핵심 사용자 경험을 이해할 수 있게 되었고, 필요한 이론적 경험과 효과적인 노하우들을 축적할 수 있었습니다.
코사인 유사도처럼 광범위하게 적용되는 유용한 기법도 있고, 세션을 기반으로 한 추천처럼 간단한 개념이지만 발상의 전환만으로도 큰 효과를 볼 수 있는 것들도 있습니다.

최근에는 딥러닝 등 다양한 머신러닝 기법들이 추천에 적용이 되고 있고, 저도 광고 추천에 클릭 예측을 위한 머신러닝을 도입하여 사업적으로 상당한 효과를 얻었던 경험이 있습니다. 하지만, 기본적인 시도 없이 무턱대고 머신러닝을 도입하는 것은 비용 대비 얻을 수 있는 효과가 크지 않을 수 있습니다. 최근에는 추천을 위한 다양한 라이브러리들이 있기에 적용 사례를 잘 조사하고 적용한다면 좀더 효율적이고 효과적으로 머신러닝 기법들을 적용할 수 있을 것입니다.

Top of Top

삼성전자 연구원부터 번개장터 CTO까지
데이터 기반 사업 영역에 관심이 많은 개발자 이동주

중고 거래 상품 실시간 추천 시스템 및 사기 방어 시스템 구축을 책임지는 번개장터의 CTO

AI 및 빅데이터 플랫폼에 전문성을 갖춘 스타트업 부스트 창업 후 번개장터에 인수

삼성 빅데이터 연구소 책임 연구원 출신으로 실시간 뉴스, 앱, 일정 등 다양한 추천 모델 구축

삼성전자 연구원 출신인 이동주 CTO님은 서울대학교 대학원 재학시절 한글 형태소 분석기 ‘꼬꼬마’를 개발하여 주목을 받았습니다.
그후 빅데이터 전문 스타트업 ‘부스트’를 창업하여 설립 직후부터 인공지능(AI) 분야에서 필수적인 자연어처리(NLP)를 포함해 추천 시스템, 기계 학습, 데이터 마이닝 등 다양한 기술을 활용해 각 분야에서 알고리즘과 플랫폼을 개발했습니다. 지난 2019년에는 번개장터에 CTO로 합류하여 번개장터를 검색·추천 시스템 및 데이터 마이닝 기능 등을 집중적으로 강화해 사용자경험(UX)을 향상시킨 더욱 빠르고 안전한 중고거래 플랫폼으로 만드는 데 일조하고 계십니다.

• 2019.07 ~ 현재
번개장터 / CTO

- 중고 거래 상품 실시간 추천 (개인화, 연관 등) 시스템 구축
- 중고 거래 컨텐츠 검색 시스템 구축
- 퍼포먼스 기반 광고 시스템 구축
- 사기 방어 시스템 구축

• 2018.01 ~ 2019.06
Voost / CEO
- PASTEL 서비스 개발
- 암호화 자산 메타 트레이딩 플랫폼 구축

• 2017.01 ~ 2017.12
레코벨 (Recobell) / 이사 (YDM Labs 랩장)
- 다수의 커머스 사이트 추천 컨설팅 및 알고리즘 개발
- 추천, 광고 등 콘텐츠 고도화 서비스를 위한 데이터 수집, 저장, 처리 시스템 설계 및 구축
- 검색 광고를 위한 최적 키워드 추천 및 자동 비딩 알고리즘 개발
• 2015.06 ~ 2016.12
옐로익스체인지 (Yello Exchagne) / 이사 (개발 총괄)

- 옐로 모바일 데이터 센터 구축 R&D
- 밴드 광고 서버 구축

• 2011.09 ~ 2015.05
삼성 전자 / 책임
- Universal User Modeling
- S-Present
- Social Media Analysis Platform
상세 커리큘럼

Chapter 1. 개요

Chapter 2. 영화 추천

Chapter 3. E-commerce 추천

Chapter 4. 고급 추천

Chapter 5. 디지털 광고 추천

강의를 듣는데 필요한
배경지식이 있나요?
프로그래밍이나 SQL, 그리고 통계에 대한 기본적인 지식이 어느정도는 있어야 할 것 같습니다.
실습 자체는 python(jupyter notebook)과 sql을 주로 이용하여 진행되고, 필요한 이론도 강의에 포함되어 있기에 보고 따라하기에는 기본 지식이 부족해도 문제가 되지는 않을 것 같습니다. 하지만, 추후 응용을 하신다면 기본 지식이 있어야 여러 지식과 노하우를 습득하시는데 더 도움이 될 것 같습니다.

어떤 사람이 들으면
가장 도움이 될까요?
개발자인데 아직 추천 시스템을 구축해보지 않은 상태에서 새롭게 추천 시스템을 구축하고 사용자 경험을 개선하는 개발을 해보고자 하는 분께 잘 맞을 것 같습니다.
실습은 python을 사용하기는 하지만, 다른 언어로도 다 확대해서 적용할 수 있기 때문에 여러 도메인 특성에 맞는 실용적인 추천 노하우를 얻고자 하는 분들께 잘 맞을 것 같습니다.

어떤 툴을 사용하고
버전은 무엇인가요?
실습은 python 3.9와, postgresql 13을 기준으로 테스트 했습니다. 더 낮은 버젼에서도 큰 문제 없이 돌아갈거고 문제가 있다고 하더라도 쉽게 해결이 가능할 것 같습니다.
jupyter notebook을 이용하는데, 저는 vscode내에서 jupyter extension을 설치해서 사용해요. db client로는 무료 툴인 dbeaver를 사용하는데, 다른 툴을 사용해도 전혀 문제되진 않습니다.
numpy, pandas 등 기본적인 패키지 외에도 nltk, gensim, recbole 등 ML/DM 관련 여러 라이브러리를 이용하는데, pip를 이용해서 쉽게 설치가 가능한 것들입니다.

맥과 윈도우 모두
정상적으로 수강 가능할까요?
python과 postgresql이 정상 동작한다면 맥과 윈도우 모두 문제 없습니다.
이동주님의 이야기를
지금 최저가로 만나보세요!
(자동) (자동) (자동)
정가 (자동)
현재 판매가 (자동)
12개월 무이자 할부 시 (자동)
추천

수강료.

  • The RED : 현실 데이터를 활용한 추천시스템 구현 A to Z by 번개장터 CTO 이동주

    현재 정가 대비 60% 할인 중!
    9월 30일 목요일 자정 까지

    정가 1,049,000원
    현재 판매가 419,000원

    12개월 무이자 할부 시 월 34,916원

국내 9개 카드사 12개월 무이자 할부 지원! (간편 결제 제외)

  • 삼성카드
  • 신한카드
  • 롯데카드
  • 현대카드
  • 하나카드
  • BC카드
  • KB국민은행
  • 씨티카드
  • NH농협카드