추천시스템, 멀티 암드 밴딧, 알고리즘, 머신러닝, 강의
  • 데이터사이언스
  • 중급

비즈니스 Case와 딥러닝을 활용한 추천시스템 구현

더 이상 뒤쳐지지 말고 성과를 창출할 수 있도록 광고 추천/이커머스 추천/상품 추천 3가지 Case를 배울 수 있는 추천시스템 강의로 바로 실무 적용해보세요.

8기
강의 일정
22.02.05 ~ 22.03.12 (총 6회) 매주 토요일 14:00 ~ 17:00 (총 18시간)

카카오 출신 DA에게 배우는 추천시스템 구현

광고 / 이커머스 / 상품 추천 All Master

강의소개

IT 기업의 핵심 성장 동력, 추천시스템
각종 케이스 스터디부터 구축까지.

추천시스템 강의

01. 비즈니스 문제에 최적화된 추천시스템을 설계하고 싶다.

시중에 데이터 분석과 머신러닝 및 딥러닝 강의는 많이 있지만 추천 시스템에 최적화된 커리큘럼은 없습니다. 비즈니스 문제와 데이터에 따라 최적화된 추천 시스템을 구축할 수 있도록 이론적 배경을 배우고 관련 내용에 대한 실습을 수행합니다.
본 강의에서는 데이터와 비즈니스 문제를 분류하여 각 상황에 알맞은 추천 시스템을 학습하고 현업에 활용할 수 있는 수준의 코드를 제공합니다. 실무 데이터를 바탕으로 필요한 추천 시스템을 스스로 설계해보세요.

02. 실무에 가까운 코드를 학습하고 현업에 바로 적용하고 싶다.

추천 시스템에 대한 연구 자료와 블로그 글은 많이 존재하지만 공개된 코드는 매우 적으며 토이 레벨 수준이기 때문에 현업에 바로 활용하기엔 다소 무리가 있습니다. 본 강의에서는 추천 시스템에 최적화된 비정형 데이터의 전처리 및 탐색 과정을 코드로 제공합니다.
또한 Python과 Tensorflow를 활용하여 머신러닝부터 딥러닝까지 직접 구현해보는 실습을 진행합니다. 그 어디에도 없는 추천 시스템의 Tensorflow 서빙을 경험하고 이를 현업에 적용해보세요.

03. 최신 트렌드의 추천시스템 기법을 학습하고 싶다.

현업의 추천 시스템은 문제와 상황에 따라 사용하는 기법과 접근 방식이 다양합니다. 학습 데이터 크기, 사용자와 아이템의 개수, 추천 상황에 따라 간단한 기법으로도 높은 성능의 추천 시스템을 구축할 수 있습니다. 가장 많이 알려진 협업 필터링, Matrix Factorization 외에도 다른 기법을 통해 빠르고 실용적인 추천 시스템을 구현할 수 있습니다.
또한 딥러닝 기반으로 작동하는 추천 영역의 최신 트렌드를 배우고 이를 코드 레벨로 직접 구현합니다.


본 강의에서
무엇을 얻어갈 수 있나요?

카카오 출신 데이터 사이언티스트에게 배우는 스킬

  • 추천시스템 A to Z

    딥러닝, 수학, 통계

    개인화 추천을 위한 딥러닝, 수학, 통계 등
    추천 알고리즘 구현에 꼭 필요한 모든 이론 지식을 다룹니다.

    추천시스템 강의
  • 비즈니스 케이스 스터디

    Case에 맞는 추천시스템

    광고 추천, 이커머스 추천, 상품 추천까지
    각 비즈니스에 기여하는 추천 시스템을 바로 구현할 수 있습니다.

    추천시스템 강의
  • 현업 수준의 코드 실습

    실제 서비스에 적용

    실전에서 활용할 수 있는 다양한 최신 트렌드의 추천 모델을 코드로 실습하며, 성과를 창출할 수 있습니다.

    추천시스템 강의

비즈니스에 기여하는 추천시스템,
러닝스푼즈가 알려드릴게요!


본 강의가 특별한 이유는
무엇인가요?

1

비즈니스 상황에 적용할 수 있는 추천시스템 노하우 습득

추천시스템에 관련된 이론과 코드 모두 중요하지만, 현업에서 실제로 발생하는 이슈를 알기는 어렵습니다. 정형화된 데이터로 추천 모델을 만드는 것만큼이나 서비스를 운영하면서 발생하는 문제를 추천시스템에 반영하는 것은 중요합니다. 강사님이 현업에서 직접 추천시스템을 구축하며 당면했던 문제와 해결 방안을 강의를 통해 경험하여 현실에서 대처할 수 있을 것입니다.

2

추천시스템을 즉시 나의 서비스에 도입해 성과 창출

강의를 통해 배운 다양한 추천시스템 가운데 실제 서비스에 적합한 기법을 선택하여 적용할 수 있게 됩니다. 이를 통해 서비스 내 사용자의 클릭율과 체류시간을 높여 결과적으로 매출 향상으로 이어질 수 있습니다. 추천시스템의 모델 개발과 서빙을 직접 학습하여 실제 서비스에 적용하여 성과를 창출할 수 있습니다.

3

추천시스템 기술 습득을 통한
커리어 UP

추천시스템을 구현하기 위해서는 이론과 개발 능력 두가지 모두 중요합니다. 본 강의를 통해 추천시스템에 꼭 필요한 개념과 이론적 배경을 배울 수 있으며, 이를 바탕으로 현업에서 필요로 하는 추천시스템을 알맞게 구현할 수 있습니다.
단순히 데이터사이언티스트라는 역량과 더불어 우대사항에 자주 포함되는 추천시스템의 전문성을 가진 본인만의 커리어를 쌓을 수 있습니다.

FAQ

강의에 대해
궁금한 점이 있으신가요?

Q. 오프라인 강의만 진행하나요?

해당 과정은 전체 오프라인 과정으로만 진행됩니다.

Q. 수강 시, 준비 사항은 어떤 것이 있을까요?

실습을 위해 개인 PC가 꼭 필요합니다. OS는 Windows OS, Mac OS 모두 가능합니다.
또한, 본 강의는 파이썬 문법 기초 이상의 지식이 필요합니다.

수강 대상

이런 분들은 꼭 들으셔야 해요!


다양한 비즈니스 case에 따른 추천시스템 적용법을 알고싶은 분


추천시스템 구축 프로젝트를 경험하며 나만의 커리어를 쌓고 싶은 분


현업에서 추천시스템을 구축해야 하는 분

강사소개

우리 강사님을 소개할게요!

추천시스템 강의

이준원

이력사항
  • (전) S사 데이터 사이언티스트
  • (전) 카카오 데이터밸류팀 데이터 사이언티스트
  • (전) 어바웃타임 소프트웨어 엔지니어
  • 서울대학교 산업공학과 머신러닝 석사 졸
  • 서울대학교 산업공학과 학사 졸
  • 사용자 군집화 및 MAB 알고리즘을 활용한 상품 추천
  • CTR 예측 모델을 이용한 광고 추천
  • 스마트폰 데이터를 이용한 개인화 푸시 발송

1. 간단하게 자기소개 부탁드립니다.

안녕하세요, 저는 데이터 사이언스라는 기술과 학문으로 비즈니스에서 사용자의 니즈를 파악하고 유의미한 가치를 창출하는 일을 하고 있습니다.

과거에 카카오 데이터밸류팀에서 사용자에게 적합한 광고를 추천하는 업무를 담당하였고, 현재 S사의 데이터 사이언티스트로서 추천 시스템 개발을 담당하고 있습니다. 추천 서비스는 머신 러닝이 실무에 가장 적극적으로 활용되는 분야로서, 알고리즘의 성능이 실제 서비스의 사용자 수 증가와 매출 증대로 직결된다는 점에서 큰 매력을 가지고 있습니다.

비즈니스에 직접 활용되는 만큼 단순한 기술의 성숙도 외에도, 사용자 및 서비스에 대한 이해도와 Real World에서 발생하는 다양한 문제와 예상치 못한 이슈에 대응하는 능력도 크게 요구됩니다.

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

현업에서 사용되고 있는 거의 모든 추천 기법에 대해 배울 수 있습니다. 추천 시스템를 이해하기 위해 꼭 필요한 이론과 개념을 배우게 되지만, 대부분의 수업은 실습 위주로 진행됩니다.

먼저 추천 시스템 구축에 필요한 데이터를 탐색하고 알맞게 전처리하는 법을 익히고, 머신러닝과 딥러닝을 사용한 추천 알고리즘에 알맞게 데이터를 가공하여 모델을 학습하고 과정을 익힙니다. 주어진 강의시간동안 추천 알고리즘 구현에 꼭 필요한 최소한 이론 지식을 배운 뒤에 곧바로 코드를 따라치는 실습을 진행합니다.

이를 통해 추천 알고리즘에 쉽게 익숙해지고 직접 구현할 수 있는 능력을 얻게 됩니다. 또한 실제 서비스와 유사한 데이터를 다루기 때문에 현업에 바로 적용하기에 어려움이 적습니다.

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

대부분의 웹/앱 서비스는 사용자가 서비스 내에 존재하는 아이템에 대해 액션을 하는 형태로 이루어져 있습니다. 현업에서 수강생들이 자주 보던 데이터가 바로 추천 시스템 구축한 필요한 사용자-아이템 행동 데이터이며, 이를 활용하여 자신의 서비스에 적합한 추천 시스템을 구현할 수 있게 됩니다. 본 강의는 다양한 비즈니스 문제를 풀기 위해 현업에서 다루는 데이터와 유사한 데이터를 사용하여 추천 시스템을 구축합니다. 실무에서 데이터베이스에 접근하여 추천 시스템을 구축하고 실제 결과를 서비스에 쉽게 적용할 수 있도록 준비하였습니다.

4. 다른 강의와 어떤 차별점이 있나요?

대부분의 머신러닝 및 딥러닝 강의들은 광범위한 데이터 분석을 다루거나 자연어 혹은 이미지 처리를 다루고 있습니다. 딥러닝에서 가장 중요한 주제이지만, 실제 현업에서 이런 데이터를 다루고 적용해보기는 어렵습니다. 하지만 추천 시스템은 대부분의 IT 서비스에 적용될 수 있으며, 이를 위해 필요한 데이터도 이미 현업에 많이 존재합니다.

추천 시스템은 현 시점에서 머신러닝, 딥러닝 기술이 비즈니스에 가장 직접적으로 기여하고 있는 분야 중 하나입니다. 이를 위해 추천 기술에 대한 이론적 배경 외에도 추천 시스템을 적용하려는 환경과 비즈니스에 대한 이해는 필수적입니다. 학문적 접근이 아닌 현업의 실무자가 배우고 직접 적용할 수 있도록 눈높이를 맞췄습니다.

5. 마지막으로 수강생들에게 하고 싶으신 말이 있나요?

추천시스템은 머신러닝 및 딥러닝 기술 가운데 현업에서 가장 활발히 사용되는 기술입니다. 단순히 학습에 그치지 않고 현업에 적용한다면 여러분의 능력은 큰 발전을 이루게 되고, 필드에서도 인정을 받게 될 것입니다. 좋은 강의와 실습을 여러분들께 전달하여 큰 성취를 이룰 수 있도록 도와드리겠습니다.

커리큘럼 (6)

  • 1주차. 추천시스템의 기초 - 데이터 탐색과 비개인화 추천

    추천시스템의 기초와 앞으로의 강의에 필요한 필수 개념을 학습한 뒤, 현업에서 가장 많이 맞닥뜨리는 추천 상황과 알맞은 기법을 이해합니다. 현업과 유사한 환경에서 시작하기 위해 비정형화된 로그 데이터만 주어진 환경에서 추천시스템을 구축하기 위한 실습 환경을 세팅합니다. 추천시스템 구축에 꼭 필요한 데이터 탐색과 전처리 과정을 통해 데이터에 대한 감을 익힙니다. 또한, 추천시스템에서 베이스라인으로 가장 많이 사용되는 비개인화 추천을 구현하고, 연관분석과 TF-IDF 기반의 추천 기법을 라이브 코딩으로 실습하게 됩니다.


    1) 이론

    – 추천시스템의 기본 바탕과 현업의 유즈케이스 알아보기
    – 추천시스템을 위한 개발 환경 구축하기
    – 다양한 상황에 따라 사용되는 추천 알고리즘 살펴보기
    – 연관분석 알고리즘에 대해 살펴보기(Apriori, FP-Growth)
    – 컨텐츠 기반 추천 및 TF-IDF 개념 이해하기


    2) 실습

    – 추천시스템 구축을 위한 데이터 탐색 및 전처리
    – 인기도 기반의 간단한 비개인화 추천 항목 만들기
    – Apriori 알고리즘을 구현하여 간단한 추천 시스템 구현하기
    – 연관분석 라이브러리를 활용한 추천 시스템 만들기
    – TF-IDF 알고리즘을 활용한 추천 시스템 만들기

  • 2주차. 유사도와 이웃 기반 추천시스템

    협업 필터링 알고리즘을 이해하고 사용자의 평점 데이터에 대한 추천 알고리즘을 구현합니다. 협업필터링의 분류를 이해하여 적절한 유즈 케이스에 사용할 수 있도록 합니다. 또한 협업 필터링의 도구로 사용되는 유사도의 개념과 다양한 유사도 계산 방법을 이해하고, 문제에 따라 적절한 방법을 선택할 수 있습니다. 평점 데이터를 유저-아이템 Matrix의 형태로 변환하고, 유사도를 직접 프로그래밍하여 이웃 기반 협업 필터링을 구현합니다. 마지막으로 상용화된 협업 필터링 라이브러리를 활용하여 추천시스템을 구축하고, 실제로 추천되는 결과를 확인합니다. 향후 강의를 위해서 필요한 데이터 산출 방식을 이론 뿐만 아니라 실습을 통해서 선행역량을 향상시키는 것을 목표로 합니다.


    1) 이론

    – 협업필터링의 기본 원리 및 파악하기
    – 다양한 협업필터링의 분류 살펴보기
    – 자카드, 유클리드, 코사인, 피어슨 유사도의 개념을 이해하기
    – 상황에 따른 유사도 선택 기준 이해하기
    – 유저-아이템 Matrix의 형태 이해하기


    2) 실습

    – 로그데이터를 협업필터링에 필요한 데이터의 형태로 변환하기
    – 추천 시스템에 꼭 필요한 데이터 전처리 과정 실습
    – 자카드, 유클리드, 코사인, 피어슨 유사도를 직접 구현하기
    – 이웃기반 협업필터링의 간단한 추천 시스템 구현하기
    – Surprise 라이브러리를 활용하여 협업필터링 추천 시스템 만들기

  • 3주차. 머신러닝을 활용한 모델 기반 협업 필터링

    데이터를 통해 스스로 학습할 수 있는 머신러닝 기반의 협업 필터링 추천시스템을 구축합니다. 이를 위해 필요한 사용자의 피드백 데이터는 직접적 선호를 나타내는 평점, 별점 등이 존재하지만 데이터 희소성과 심한 편향을 보이기 때문에, 간접 선호를 나타내는 클릭, 구매 등의 암묵적 피드백을 더 많이 사용합니다. 이번 강의에서는 암묵적 데이터를 사용하여 모델 기반의 협업 필터링인 Matrix Factorization을 구현하고 잠재 변수의 이점을 이해합니다. 또한 실제 현업에서 활용하는 implicit 라이브러리와 spotify의 annoy를 활용하여 고객의 선호를 예측하는 추천시스템을 구축합니다.


    1) 이론

    – 모델 기반의 추천 시스템의 개념과 필요성을 이해하고 분류하기
    – 추천 시스템에서의 머신러닝의 원리를 이해하기
    – 잠재변수와 행렬분해에 대한 개념과 필요성 이해하기
    – Matrix Factorization의 접근 방법과 원리 이해하기
    – MF 모델 기반 추천 시스템에서 SGD, ALS, BPR의 원리


    2) 실습

    – 암묵 데이터를 모델 기반 추천 시스템을 위한 형태로 변환하기
    – Implicit 라이브러리를 사용하여 암묵데이터를 위한 추천 시스템 구축하기
    – 행렬분해를 통한 잠재변수 도출로 유사도 기반 추천 구현하기
    – Annoy 라이브러리와 임베딩 행렬을 이용하여 빠른 추천 시스템 구축하기
    – 현업에 활용되는MF 모델 학습 및 서빙에 도움이 되는 Tip 실습하기

  • 4주차. 빠르고 실용적인 추천 기법 : Multi-Armed Bandit, Item2Vec Approach

    추천 시스템의 주류 기법으로 분류되진 않았으나, 실제로 현업에서는 많이 활용되는 2가지 추천 기법에 대해 다룹니다. 먼저 추천 분야 외에 게임, 광고 등에 다양하게 활용되고 있는 Multi-Armed Bandit 알고리즘들에 대해 살펴보고 이를 직접 구현해봅니다. 그리고 MAB 알고리즘 가운데 하나인 Thompson Sampling을 사용자 클러스터링과 결합하여 하이브리드 추천 시스템을 구축합니다. 또한 딥러닝의 등장과 함께 가장 많이 사용되는 Item2Vec 접근법을 사용하여 추천 아이템을 임베딩하는 방법을 익히고, 이를 활용한 유사도 기반의 추천 시스템을 구현합니다.


    1) 이론

    – 추천 시스템의 Cold Start 문제 이해하기
    – Bandit 문제와 Reward의 개념 이해하기
    – Multi-Armed Bandit 알고리즘 종류별로 살펴보기
    – 임베딩의 개념 및 Word2Vec 원리 이해하기
    – 추천 시스템에 사용되는 Item2Vec 응용 사례 살펴보기


    2) 실습

    – Multi-Armed Bandit 알고리즘 직접 구현하기
    – 사용자 군집화와 Thompson Sampling을 이용한 간단한 추천 시스템 구현하기
    – Gensim 라이브러리를 활용하여 추천 아이템을 Item2Vec 형태로 임베딩하기
    – Item2Vec 임베딩을 활용한 간단한 유사도 기반의 추천 시스템 구축하기

  • 5주차. 컨텍스트를 활용한 추천 모델 : Factorization Machine

    사용자와 아이템 간의 상호작용 데이터가 추천 시스템에 필요한 데이터 중에 제일 중요하지만 더 나은 추천 결과를 제공하기 위해는 추가적인 데이터를 사용합니다. 사용자 정보(성별, 연령, 관심사 등), 상품의 메타정보(브랜드, 카테고리, 출시년도 등), 그리고 둘의 상호작용이 일어났던 환경(시간, 날씨) 등은 추천 시스템을 고도화 할 수 있는 컨텍스트 데이터입니다. 최신 추천 시스템 트렌드에서는 이렇게 컨텍스트까지 고려한 추천 시스템을 “초개인화 추천 시스템”이라 일컫습니다. 주어진 로그 데이터를 다양한 정보를 포괄하는 Feature Table형태로 변환하고 협업필터링을 일반화하여 다양한 메타정보를 활용하는 Factorization Machine 추천 시스템을 구축합니다.


    1) 이론

    – 피쳐간의 교호작용과 Matrix Factorization 모델의 한계 이해하기
    – 컨텍스트 데이터를 담고 있는 Feature Table의 구조 이해하기
    – Factorization Machine의 원리와 접근 방식 이해하기


    2) 실습

    – 컨텍스트 정보를 활용하기 위한 데이터 전처리 및 EDA
    – 학습 데이터를 Factorization Machine에 맞게 Feature Table로 변환하기
    – Tensorflow를 활용하여 Factorization Machine 직접 구현하기
    – FastFM 라이브러리를 활용하여 추천 시스템 구축하기

  • 6주차. 딥러닝 추천 모델 : DeepFM과 유튜브 추천 시스템

    딥러닝이 이미지, 텍스트 데이터에 대해 높은 성능으로 엄청난 반향을 일으켰지만, 실시간 서빙과 빠른 응답속도가 중요한 추천 시스템에서는 다소 외면받는 듯 했습니다. 이를 극복하기 위해 단순하면서 높은 성능을 딥러닝 모델이 등장하였으며 그 중 하나가 Factorization Machine에 딥러닝 요소를 추가한 DeepFM입니다. 이번 시간엔 DeepFM의 구성와 접근 방법을 이해하고, Tensorflow로 직접 구현하여 추천 결과를 확인합니다. 또한 딥러닝 추천 시스템의 바이블로 여겨지는 유튜브 추천 시스템의 원리를 이해하고 Candidate Selection과 Ranking으로 나눠진 2단계 추천 시스템을 구축합니다. 마지막으로 모델 평가 방식과 현업의 온라인 A/B 테스트 환경 소개를 통해 고도화된 추천 시스템의 청사진을 제시합니다.


    1) 이론

    – DeepFM의 구성과 접근 방법 이해하기
    – 유튜브 추천 시스템의 원리와 작동 방식 살펴보기 (Candidate Selection & Ranking)
    – 추천 시스템의 오프라인 테스트와 다양한 평가 방법 이해하기
    – 현업에 사용되는 온라인 A/B 테스트 환경 소개
    – Real World 추천 시스템 구축에 대한 질의 응답


    2) 실습

    – Tensorflow로 DeepFM을 구현하여 추천 시스템 구축하기
    – 유튜브 추천 시스템 내 Candidate Selection 간이 모델 구현하기
    – Candidate Selection 모델과 DeepFM을 결합한 2단계 추천 시스템 구축하기

커리어 성장으로 가는 길, 러닝스푼즈와 함께 하세요!

지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.

오프라인

비즈니스 Case와 딥러닝을 활용한 추천시스템 구현

강의찾기