추천시스템, 추천서비스, ML 엔지니어
  • 데이터사이언스
  • 입문, 초급

백엔드/MLOps 커리어 UP! 초개인화 추천시스템 : 성능 고도화, 추천 엔진, A/B 테스트

백엔드 개발자, ML 엔지니어, MLOps의 Next Career를 위한 추천시스템 강의! 도메인 별 추천 모델 구현, 실무에 바로 적용 가능한 성능 고도화 노하우로 실무에 바로 적용해보세요.

1기
강의 일정
24.01.27 ~ 24.03.09 (총 6회) 매주 토요일 14:00 ~ 17:00 (총 18시간)

(02월 10일 연휴)

보다 단단한 ML 엔지니어로 가는 길,
탄탄한 추천시스템을 개발해야 합니다.

추천시스템 이해부터 도메인 별 추천 모델, 성능 고도화 방법까지 알려주는 추천시스템 강의

강의소개

추천시스템의 기본 이해부터 실무 개발 노하우까지,
글로벌 기업의 ML 엔지니어가 알려드립니다.

추천시스템 강의

01. 백엔드/MLOps도 추천시스템을 배워야 할까요?

추천시스템은 기업 수익 증대에 직접적으로 기여되고 있어, 현업에서 가장 많이 활용되고 기본적으로 요구되는 기술입니다. 백엔드 개발자, MLOps, ML 엔지니어는 해당 강의를 통해 추천시스템 기술 역량 확장과 실 산업에 대한 비즈니스 이해를 통해 경쟁력 있는 ML 엔지니어로 성장할 수 있습니다.

02. 실무 사례 기반 파이프라인 구축, 성능 고도화 노하우

매출 증대, 고객 만족도 증가 등의 비즈니스 임팩트를 위해 실무에서 중요한 비즈니스 목표 이해 기반으로 파이프라인을 구축해봅니다. 더불어 실습을 진행하면서 현업에서 모델 성능을 높이는 노하우를 알아가실 수 있습니다.

03. 커머스, OTT, 광고 등 유망한 산업군에서
데이터 분석+추천 모델+A/B Test를 한 번에!

많은 기업이 주목하고 서비스하고 있는 커머스, OTT, 광고 등의 다양한 산업의 추천 서비스에 대하여 데이터 분석+각 산업에 적절한 추천 모델+A/B Test를 실습을 통해 배웁니다. 최신 모델은 리서치를 통해 배우고, 실습에서는 실제 현업에서 사용중인 모델들을 적용하여 실무에 바로 적용할 수 있도록 합니다.




추천시스템 강의

본 강의에서
무엇을 얻어갈 수 있나요?

평가 지표부터 실무 추천 모델, A/B Test 적용까지 모두 알려주는 추천시스템 강의

  • 현업에서의 추천 모델 선택 방법

    8가지 다양한 도메인 완벽 마스터

    커머스, 광고, OTT 등 8가지 도메인에 대한 비즈니스 목표를 이해해보고, 현업에 바로 활용할 수 있는 CF 모델, Contents Vectorization 등을 실습합니다. 이를 통해 각 도메인에 맞는 추천시스템을 구축하고 비즈니스 목표를 달성하는 능력을 향상시킵니다.

    추천시스템 강의
  • A/B Test 수행 역량

    Online A/B Test 이해와 적용

    A와 B 알고리즘을 서비스에 적용해 성능을 비교, 평가하는 Online Test를 통해 A/B의 개념과 적용 방식을 배웁니다. 또한 일부 도메인에 대한 A/B 테스트를 통해 결과 수치로 개선을 보는 실습을 진행합니다.

    추천시스템 강의
  • 알고리즘 개발 및 비즈니스 능력

    추천 모델, 고도화 방법, 비즈니스 목표 해결

    추천시스템 개발을 위해 알아야 하는 기술들(추천 모델, 고도화 방법, 평가 지표 등)에 더불어 비즈니스적인 접근으로 문제를 해결하는 방법을 배웁니다. 이를 통해 비즈니스 임팩트를 낼 수 있는 개발 능력과 문제 해결력을 갖출 수 있습니다.

    추천시스템 강의

ML 엔지니어가 커머스, OTT 도메인으로 도약하려면
추천시스템은 '필수'입니다.


본 강의가 특별한 이유는
무엇인가요?

1

비즈니스 임팩트를 위한
추천시스템 개발 노하우

실무에서 원하는 비즈니스 임팩트를 위한 비즈니스 문제에 최적화된 추천시스템 설계 방법과 모델 고도화 방법을 알려드립니다.

2

실 업무 사례 기반
추천시스템 A/B Test 방법

커머스, 상품 추천 등 현업에서 다양한 도메인을 경험한 강사님의 노하우를 통해 더 효율적인 A/B Test 기획 및 적용 방식을 배워가실 수 있습니다.

3

추천시스템 개발 전 단계를
다양한 도메인 별로 해결

현업의 다양한 추천시스템 도메인에 대하여 "모델 선정 -> 구현 -> 서비스 적용 -> 개선"을 확인하는 전체 흐름에 대한 개발 지식을 습득할 수 있습니다.

FAQ

강의에 대해
궁금한 점이 있으신가요?

Q. 추천 모델에 대한 기초 지식이 없어도 수강이 가능한가요?

커리큘럼에 나와있는 모델에 대해서 기본 개념부터 설명해 드리기 때문에 추천시스템 모델에 대한 기초 지식이 없어도 수강이 가능합니다. 또한 추천 모델에 대해 이미 이해를 하고 있는 경우에는 다양한 도메인에 대한 A/B Test가 적용되는 과정에 초점을 맞춰 큰 관점에서 추천시스템의 역할과 과정에 대해 명확하게 이해하실 수 있습니다.

수강 대상

이런 분들은 꼭 들으셔야 해요!


추천시스템과 비즈니스 성과가
연결된 경험을 배우고 싶은 분


A/B Test로 우리 기업에 맞는
추천 모델 최적화를 원하는 분


추천시스템 분야로의 기술 확장을
원하는 ML 엔지니어/개발자

강사소개

우리 강사님을 소개할게요!

추천시스템 강의

Emma

이력사항
  • (현) 글로벌 기업 ML Engineer
  • (전) 카카오 계열사 ML Engineer
  • (전) 대기업 Data Scientist
  • 서울시립대학교 컴퓨터과학과 졸업
프로젝트
  • 개인화 혜택 및 쇼핑몰 상품 추천서비스 개발
  • CTR 예측 모델 개발
  • Pytorch 가이드 번역 Open-source 프로젝트

1. 자기소개 부탁드립니다.

안녕하세요. 저는 데이터 사이언스 지식으로 AI 기반의 Product를 만드는 일을 하고 있습니다. 추천 시스템은 실제 서비스 도메인에 따라 알고리즘이 달리 개발될 수도 있고, 유관 부서와 타이트하게 붙어 모델과 서비스가 지속적으로 개선되고 수정될 수 있습니다. 하지만 모델의 성능이 실제 매출의 증대와 연결된다는 점에서 직업적 성취감을 바로 느낄 수 있는 분야이기도 합니다. 추천 시스템 개발자는 추천 모델의 특징에 대해 인지하는 것뿐만 아니라, 비즈니스와 서비스 환경에 대한 높은 이해도 또한 가지고 있어야 합니다.

2. 강의에서는 주로 어떤 내용을 다룰 예정이시고, 어떤 형태로 진행되나요?

실제 비즈니스 사례와 데이터에 빗대어 추천 모델을 어떻게 개발하고 서비스할 것인지 배우게 됩니다. 추천과 A/B 테스트에 대한 기본 개념을 1~2주 차에 배우고, 이후 매주 2개의 도메인에 대해서 실습을 진행합니다. 복잡한 SOTA 모델을 사용하는 것이 아닌, 비즈니스 목표를 달성하기 위한 적절한 모델을 적용하는 실습을 진행하게 됩니다. 비즈니스 목표도 중요하지만, 모델을 선택하기 이전에 데이터를 분석해 보는 과정 또한 거치게 됩니다. 실습 내용을 인용이 많이 된 유명한 모델 위주로 구성하여 추후 현업에서 더 쉽게 응용할 수 있도록 했습니다.

3. 본 강의에서 배운 내용을 수강생 분들이 어떻게 활용할 수 있을까요?

추천을 통한 비즈니스 문제를 해결하기 위해 중요한 부분을 인지하고, 어떤 모델을 적용할 수 있을지 감을 익힐 수 있습니다. 또한 데이터 별 다양한 해결 방식을 배움으로써, 한가지 방안이 아닌 여러 방면의 방안을 고민할 수 있습니다. 또한 모델 구현 후 A/B 테스트를 진행하여 유효성을 입증한 뒤 서비스에 적용되는 실제 추천 시스템의 반영 주기에 대해 이해하고 추후 현업에 적용할 수 있습니다.

4. 다른 강의와 어떤 차별점이 있나요?

추천 시스템의 개발부터 적용까지의 전 단계를 이해하고 싶으신 분들과 실제 현업에서 추천 모델이 어떻게 실무적으로 활용되는지 알고 싶은 개발자, 분석가분들이 수강 대상으로 적합합니다. 또한 A/B 테스트 과정을 경험하지 못해 방법을 알고자 하는 분들도 대상이 될 수 있으며, 추천 시스템의 기본 개념과 실용적인 업무 방법을 빠르게 훑고 싶은 분도 해당될 수 있습니다.

5. 마지막으로 수강생들에게 하고 싶으신 말이 있다면?

추천 시스템의 지식과 구현 방법을 알려주는 다른 강의와 달리, 실용적인 부분에 포커스를 맞추어 실제 비즈니스 상황에서 어떻게 모델을 적용할지에 대한 고민을 담았습니다. 또한 실습 이전에 추천 시스템의 Overview를 미리 잡음으로써 큰 시각에서 추천 시스템을 바라보고 문제를 해결할 수 있도록 도와줍니다. 직관적인 용어를 사용하여 이해가 쉽게 되도록 설명해 드립니다.

커리큘럼 (6)

  • 1주차. 추천시스템 개론과 비즈니스 환경

    강의 목표

    • 추천시스템에 대한 기초 지식을 습득합니다. 추천에서의 중요한 포인트를 확인하고 비즈니스와 어떤 연결 관계가 있는지 확인합니다.

    이론

    • 추천시스템이란?
    • 추천 기술 Overview
    • 비즈니스에서의 추천의 의미
    • 추천시스템이 실제 비즈니스에 적용된 케이스
    • 추천시스템의 한계점

    실습

    • 실습 환경 셋팅
    • 실습 데이터 탐색
    • 실습 데이터에 대해 간단한 통계 기반 추천 모델 실습
  • 2주차. 실용적인 추천시스템 개발을 위한 지식 - 평가 지표, A/B 테스트, Library

    강의 목표

    • 추천에서 사용되는 평가 지표에 대해 학습하고, 추천에 활용될 수 있는 데이터의 종류를 알아봅니다. 또한 추천시스템에서의 A/B 테스트 적용 과정을 이해합니다.

    이론

    • 추천 평가 지표 종류
    • 추천에 활용될 수 있는 데이터 종류
    • A/B 테스트 이해, 기획, 적용 방식

      파이프라인 단위에서의 분기

      코드 단위에서의 분기

    • 추천시스템 파이프라인 개요
    • 추천 라이브러리 소개 (Surprise 및 DeepCTR)
    • 추천 모델 리서치 방법

    실습

    • 추천 평가 지표 실습

      precision@K, recall@K, NDCG

    • Implicit Library 실습
    • DeepCTR Library 실습
  • 3주차. 마트 상품 추천/OTT 추천 - Clustering/Classification Model, ALS

    강의 목표

    • 마트 상품 추천 / OTT 추천 실습을 진행하여, 해당 비즈니스의 추천시스템이 어떻게 적용될 수 있는지 인지합니다.

    이론

    • 비즈니스 목표 이해

      마트 상품 추천 : 유저가 의식적 및 잠재적으로 원하던 마켓 상품을 적절히 추천하여 구매율 상승

      OTT 추천 : 유저가 선호하는 영상을 추천하여 관람시간 증대 및 자사의 컨텐츠 홍보

    • 마트 상품 / OTT 추천에 사용되는 데이터 현황 및 모델 개념 설명

    실습

    • 마트 상품 추천

      마트 유저 구매 데이터셋 활용

      Clustering 및 Classification Model 실습

    • OTT(Over The Top) 추천

      OTT 서비스 모바일 플랫폼 데이터셋 활용

      ALS (Alternating Least Squares) 실습

  • 4주차. 식당 추천/플레이스토어 App 추천 - NLP 활용, NeuralCF

    강의 목표

    • 식당 추천 / 구글 플레이스토어 App 추천 실습을 진행하여, 해당 비즈니스의 추천시스템이 어떻게 적용될 수 있는지 인지합니다.

    이론

    • 비즈니스 목표 이해

      식당 추천 : 유저가 선호하는 곳 혹은 이전의 방문한 곳과 유사도가 높은 식당을 추천하여 유저의 플랫폼 이용률 상승

      플레이스토어 App 추천 : 유저가 선호할 수 있는 App을 추천하여 자사 플랫폼에서의 App 설치 횟수 상승

    • 식당 추천 / 플레이스토어 App 추천에 사용되는 데이터 현황 및 모델 개념 설명

    실습

    • 식당 추천

      온라인 음식 배달 플랫폼 데이터셋 활용

      NLP 활용 실습 : 식당 사용자 리뷰(텍스트) 분석을 통해 추천 결과 생성

    • 플레이스토어 App 추천

      구글 플레이스토어 데이터셋

      CF Based Model (NeuralCF) 실습

  • 5주차. 뉴스 추천/도서 추천 - TF-IDF, LDM, Learning to Rank, LightGCN

    강의 목표

    • 뉴스 추천 / 도서 추천 실습을 진행하여, 해당 비즈니스의 추천시스템이 어떻게 적용될 수 있는지 인지합니다.

    이론

    • 비즈니스 목표 이해

      뉴스 추천 : 유저들이 관심있는 최신 뉴스를 추천하여 자사 서비스에서 자사의 뉴스 조회율 상승

      도서 추천 : 유저들이 관심있을 주제 및 선호했던 도서와 유사한 도서를 추천하여 도서 이용률 및 구매율 상승

    • 뉴스 추천 / 도서 추천에 사용되는 데이터 현황 및 모델 개념 설명

    실습

    • 뉴스 추천

      뉴스 서비스 카테고리 데이터셋 활용

      TF-IDF, LDM, Learning to Rank 실습

    • 도서 추천

      도서관 내 도서 및 사용자 데이터셋 활용

      GNN Based Model (LightGCN) 실습

  • 6주차. 광고 추천/커머스 추천 - DeepFM, Contents Based Model, Item2Vec, Two-Tower Modeling

    강의 목표

    • 광고 추천 / 커머스 추천 실습을 진행하여, 해당 비즈니스의 추천시스템이 어떻게 적용될 수 있는지 인지합니다.

    이론

    • 비즈니스 목표 이해

      광고 추천 : 유저들이 클릭 또는 구매할 만한 적절한 광고를 추천하여 률릭율 향상 및 광고주 만족도 상승

      커머스 추천 : 유저가 선호할 만한 혹은 구매했던 상품과 유사한 상품을 추천하여 자사 플랫폼의 클릭 후 구매 전환률 상승

    • 광고 추천 / 커머스 추천에 사용되는 데이터 현황 및 모델 개념 설명

    실습

    • 광고 추천

      광고 서비스 클릭 데이터셋 활용

      DeepFM 실습

    • 커머스 추천

      이커머스 서비스 데이터셋 활용

      Contents Based Model, Item2Vec, Two-Tower Modeling 실습

커리어 성장으로 가는 길, 러닝스푼즈와 함께 하세요!

지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.

오프라인

백엔드/MLOps 커리어 UP! 초개인화 추천시스템 : 성능 고도화, 추천 엔진, A/B 테스트

강의찾기