데이터와 비즈니스 문제를 분류해 Case에 맞는 추천 시스템을 학습합니다. 현업에서 추천 시스템 구축을 오래 경험하신 강사님의 트렌드와 노하우를 얻어 가세요!
꼭12개의 논문 리뷰와 6개의 추천시스템 구현으로 추천시스템 실무를 익혀 봅니다. 데이터 전처리부터 실제 구현까지, 이 모든 것을 한 번에!
현업의 추천시스템은 문제와 상황에 따라 사용하는 기법과 접근 방식이 다양합니다. 본 강의에서는 데이터와 비즈니스 문제를 분류하고 각 케이스에 맞는 추천시스템을 학습할 수 있습니다.
추천 알고리즘에 대한 이론 지식을 배운 후, 현업 수준의 코드를 활용한 실습을 진행합니다. 강사님이 현업에서 직접 추천시스템을 구축하며 당면했던 이슈와 해결 방안을 통해 다양한 인사이트를 얻을 수 있습니다.
현직자 노하우
실제 추천시스템 구축 과정에서 발생하는 이슈는 직접 알아보기 어렵습니다. 강의 내용을 통해 현실의 문제들에 대처할 수 있게 됩니다.
서비스 지표 상승
실제 서비스에 적합한 모델을 적용합니다. 서비스 내의 사용자의 클릭율과 체류 시간을 높여 매출 향상을 이뤄낼 수 있습니다.
현업에 대한 이해
단순 코드 구현 역량과 넘어 우대사항에 자주 포함되는 추천시스템의 전문성을 가진 본인만의 커리어를 쌓을 수 있습니다.
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.
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.
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.
다양한 비즈니스 Case에 따른 추천시스템 적용법을 알고싶은 분
추천시스템 기술을 습득해 나만의 커리어를 쌓고 싶은 분
추천시스템 구축 프로젝트를 경험하고 싶은 분
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.
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.
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.
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.
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.
SECTION 1. 추천 시스템 Basic : 데이터 탐색과 비개인화 추천
1-1. Intro
1-2. 추천 시스템 기초 (1)
1-3. 추천 시스템 기초 (2)
1-4. 인기도 기반 추천
1-5. 연관 분석 알고리즘
1-6. 추천 시스템의 평가 지표 (1)
1-7. 추천 시스템의 평가 지표 (2)
1-8. [실습] 데이터 탐색 및 인기도 기반 추천
1-9. [실습] Association Rule 구현 및 연관 분석 추천
1-10. [실습] 추천 시스템 평가 지표
SECTION 2. 컨텐츠 기반 추천 & 협업 필터링
2-1. 컨텐츠 기반 추천, TF-IDF (1)
2-2. 컨텐츠 기반 추천, TF-IDF (2)
2-3. 협업 필터링의 원리
2-4. User-Based, Item-Based (1)
2-5. User-Based, Item-Based (2)
2-6. 유사도 개념 이해하기
2-7. [실습] TF-IDF를 사용한 Content-based Recommendation
2-8. [실습] Collaborative Filtering
2-9. [실습] Surprise 라이브러리를 활용한 추천
SECTION 3. 머신러닝을 활용한 모델 기반 협업 필터링
3-1. 모델 기반 협업 필터링이란
3-2. Latent Factor Model과 SVD (1)
3-3. Latent Factor Model과 SVD (2)
3-4. Matrix Factorization의 최적화 기법 (1)
3-5. Matrix Factorization의 최적화 기법 (2)
3-6. BPR Optimization with MF
3-7. Annoy를 활용한 서빙
3-8. [실습] SVD 구현
3-9. [실습] MF with SGD, ALS
3-10. [실습] Implicit과 annoy를 활용한 서빙 with GPU
SECTION 4. 빠르고 실용적인 추천 기법
4-1. Latent Dirichlet Allocation을 이용한 추천 (1)
4-2. Latent Dirichlet Allocation을 이용한 추천 (2)
4-3. Latent Dirichlet Allocation을 이용한 추천 (3)
4-4. 임베딩과 Word2Vec
4-5. Item2Vect을 이용한 추천
4-6. Multi-Armed Bandit (1)
4-7. Multi-Armed Bandit (2)
4-8. [실습] LDA를 이용한 추천
4-9. [실습] Item2Vec 기반 추천
4-10. [실습] MAB 추천 및 평가
SECTION 5. 컨텍스트를 활용한 추천 모델, Factorization Machine
5-1. Matrix Factorization의 한계
5-2. Factorization Machine (1)
5-3. Factorization Machine (2)
5-4. Field-aware Factorization Machine
5-5. [실습] FM 구현 (1)
5-6. [실습] FM 구현 (2)
5-7. [실습] FFM 구현
SECTION 6. 딥러닝을 활용한 추천 모델, DeepFM과 Youtube 추천
6-1. 딥러닝을 활용한 추천 모델 (1)
6-2. 딥러닝을 활용한 추천 모델 (2)
6-3. 딥러닝을 활용한 추천 모델 (3)
6-4. DeepFM (1)
6-5. DeepFM (2)
6-6. Youtube Recommendation (1)
6-7. Youtube Recommendation (2)
6-8. [실습] DeepFM 구현
6-9. [실습] Youtube Recommendation
지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.
로그인 후 이용가능합니다.
로그인 페이지로 이동합니다.
