추천 시스템

고객 데이터와 딥러닝을 활용한
추천 시스템 구현

- Tensorflow 2.0으로 시작하는 개인화 추천 시스템 A to Z 실습

난이도
4/5

알고리즘 이해부터 시스템 구현까지 다루는 국내 유일 강의


100개의 서비스가 있다면 100가지의 추천 시스템이 필요합니다. 현재, 전 세계에서 공식적인 추천 시스템 교과서는 단 5권입니다. 그마저도 국내로 번역된 도서는 단 한권도 없습니다. 특히, “Tensorflow로 구현된 추천시스템” 자료는 더욱 없습니다.

실무자들이 만나는 다양한 문제상황을 하나씩 짚어 자신의 비즈니스에 적용할 수 있는 추천시스템을 배워보세요. 고객을 끌어들일 수 있는 나만의 추천시스템을 적용하여 경쟁력있는 커리어를 쌓을 수 있습니다.


  • ✓ 실무에 최적화된 추천시스템 구현하기
  • ✓ 그 어디에서도 찾아볼 수 없는 추천시스템 자료
  • ✓ 비즈니스와 밀접한 관계가 있는 데이터를 활용한 성과창출
  • ✓ 커머스 데이터를 사용한 실습을 통한 추천시스템의 이해
일    정03.28 ~ 05.09 | 6회
매주 토요일 14:00 ~ 17:00 | 일 3시간
총 18시간 강의

*휴강일 : 05월 02일
정    원15명
준비물노트북
가    격100만 원80만 원
장    소러닝스푼즈 강의장
강남대로94길 15, S2빌딩 3층

* 강남역 11번 출구 3분 거리 (지도확인)

세계적인 기업의 서비스는 추천시스템으로 이미 성과를 창출하고 있습니다.

Amazon의 구매 중 35%의 구매가 추천 시스템의 결과이다.

Youtube의 추천 시스템은 고객들을 시청시간 중 70%를 이끌어냈다.

Alibaba는 개인화된 랜딩페이지를 이용하여 구매변환률을 20% 성장시켰다.

추천시스템

Netflix 75%의 고객은 추천 시스템에 의해 이용하게 되었다.

이 외에도 많은 기업에서 추천 시스템으로 인해 성과를 창출하고 있습니다.

채용공고를 통해서도 추천 시스템의 수요를 체감할 수 있습니다.
아래 두 기업 외에도 쿠팡, 넷마블, 당근마켓, 데브시스터즈, 브랜디 등의 기업에서도 추천 시스템 관련 역량을 요구하고 있습니다.

추천시스템 채용공고후킹_수정3
추천시스템

| 강의특징

구글에 검색해도 찾아볼 수 없는 강의자료와 코드

“Tensorflow로 구현된 추천 시스템”에 대한 자료를 얻기란 어렵습니다. 실무의 방대한 데이터를 인공지능으로 처리하여 서비스에 활용되기 위해서는 Tensorflow로 구현할 수 있는 역량이 요구됩니다. 본 강의에서는 머신러닝 기초부터 딥러닝까지 Tensorflow로 직접 구현해보는 실습을 진행합니다. 실무에 적용 가능한 딥러닝 개발을 경험할 수 있습니다.

다양한 문제에 다양한 시각으로 접근하는 방법

“추천 시스템”을 검색하면 나오는 “협업필터링”만으로는 모든 문제를 해결할 수 없습니다. 커머스 현업에서 마주치는 개인화 추천 문제는 매우 다양합니다. 추천 도메인과 추천 목적, 환경, 데이터 종류까지 추천 시스템 개발에 필요한 고려사항이 많습니다. 본 강의에서는 추천 시스템의 트렌디한 접근 방법론을 배우고 구현합니다.

비즈니스 문제에 최적화된 추천시스템 설계 역량

100개의 서비스가 있다면 100가지의 추천 시스템이 필요합니다. 비즈니스 문제와 데이터에 따라 가장 최적화된 추천 시스템 구축 로드맵을 설계해야합니다. 본 강의에서는 데이터와 비즈니스 문제를 분류하여 각 상황에 맞는 추천 시스템을 학습하고 코드를 제공합니다. 실무데이터를 바탕으로 필요한 추천 시스템을 스스로 설계하고 개발할 수 있는 역량을 키우세요.

실습예시

아래 사진은 데이터를 이용하여 영화를 추천해주는 시스템 구현 실습 예시입니다.

추천시스템

Q. 딥러닝을 활용한 추천 시스템, 잘할 수 있겠죠?


수업 시간 내 실습이 어려운 부분에 대해서 강사님의 1:1 피드백이 진행됩니다.
강의 중에 놓친 부분도 이해하실 수 있도록 케어를 해드립니다.

| 수강효과

실제 고객 데이터 실습을 통해 현장에 즉시 적용

현장 프로세스 그대로 “이미 파일로 준비된 데이터”가 아닌 “필요한 데이터를 가져오는 것”부터 실습합니다. 현장에서 활용될 추천시스템을 개발하려면 필요한 데이터를 파악하여 간단한 쿼리를 사용하는 것부터 시작합니다. 현장에서 쉽게 보던 데이터셋에서 필요한 데이터를 찾아내고 인공지능 추천시스템을 적용해보는 방법을 배워 업무에 바로 적용할 수 있습니다.

개인맞춤형 서비스로 눈에 보이는 매출 성과 창출

강의 종료 후 “서비스에 바로 적용할 수 있는 인공지능 추천시스템” 하나씩 가져가게 됩니다. 완성된 추천시스템을 실무 프로젝트에 사용해보세요. 추천의 결과가 출력되는 것을 눈으로 보며 개인화 추천시스템의 효과를 확인할 수 있습니다. 그 어디에도 없는 추천시스템의 텐서플로우 서빙으로 제대로된 실습을 경험해보시고 직접적인 매출 성과를 창출하세요.  

어디서도 배울 수 없는 추천시스템 기술 역량

추천시스템 개발은 마케팅과 매출에 직접적으로 연관되어 타 기술에 비해 수요가 매우 크지만 비즈니스와 밀접한 관련이 있기에 공개된 데이터와 배움의 기회가 흔치 않습니다. 본 강의를 수강한다면 나만의 추천시스템 기술을 갖추기 위한 다음 스텝을 준비할 수 있습니다. 본인만의 강력한 기술 커리어 로드맵을 스스로 설계하고 기술력을 가지세요.      

| 수강대상

인공지능을 도입하여 매출을 극대화시키고 싶은 커머스 산업의 마케터와 기획자

개인화 추천 시스템 기술로 독자적이고
경쟁력있는 커리어를 쌓고싶은 분

머신러닝의 개념을 학습한 후, 다음 스텝으로 어떤 기술을 가져갈 지 고민하는 분

개인화 추천 시스템을 적용해 고객을 파악하고자 하는 분석가

추천 시스템을 도입하고 싶지만 어디서부터 시작할 지
막막한 제품 개발자와 기획자

추천시스템에 관심있는 분

현업에서 사용되는 것과 유사한 고객 데이터를 통해
추천 시스템을 구현하여 현업에 바로 적용 가능하도록 구성된 강의


자연어처리, 영상처리에 치중된 딥러닝이 아닙니다.
현업에서 주로 다루는 커머스 데이터를 통해 딥러닝을 배워보세요.

| 커리큘럼

현장에서 IT팀에게 데이터를 요청하면, 여러분은 데이터 파일이 아닌 DB 접근 권한을 받을 것입니다.(특히 추천 시스템같이 로그데이터를 활용할 때는 더욱 그렇습니다.)
하지만 SQL을 설치하고, SQL의 사용법을 모두 알아야 할 필요는 없습니다. 이번 회차에서는 실전과 같이 판다스에서 커머스데이터를 SQL로 바로 불러 데이터의 구조를 이해하고 추천 시스템 개발을 위한 실습 환경을 세팅합니다. 판다스를 활용한 분석 실습으로 실무 커머스 데이터만의 특징을 이해합니다. 가장 기초적인 추천 시스템 모델인 연관분석을 실습합니다

 

이론

  • 개인화 추천 시스템 바로알기
  • 비즈니스 문제를 도출하고 커머스 데이터의 잠재력 발견하기
  • 실무에서 마주치는 네가지 유형의 커머스 데이터를 제대로 이해하기
  • 연관분석과 군집화의 원리 이해하기

실습

  • 판다스에서 SQL로 별점 데이터 불러오기
  • 별점 데이터의 탐색과 분석
  • Apriori 알고리즘으로 간단한 추천 시스템 만들기

도메인이 제각기 다른 현업 실무에서는 추천 대상과 목적, 인터페이스에 따라 추천에 활용할 수 있는 데이터가 모두 다릅니다. 이번 회차에서는 추천 알고리즘의 분류를 이해하여 데이터의 성격과 구조에 따라 적절한 추천알고리즘 구현 방향을 찾습니다. 별점데이터를 User-Item Matrix로 나타내는 원리를 이해하고 구현합니다. 유사도의 개념과 다양한 유사도 계산방법을 이해하고 데이터와 문제에 따라 적절한 방법을 선택합니다. Tensorflow로 유사도를 직접 계산하고 이를 통해 이웃기반 협업필터링을 구현합니다. 텐서플로우를 활용하여 추천 시스템을 서비스화합니다. 이를 통해 직접 개발한 추천 시스템에 의해 추천 결과가 도출되는 것을 경험할 수 있습니다.

 

이론

  • 데이터에 따른 추천알고리즘의 방향 파악하기
  • Tensorflow의 개념과 코드 구성을 이해하기
  • 자카드, 유클리드, 코사인, 피어슨 유사도의 개념을 이해하기
  • 고객행동데이터(상호작용데이터)의 형태 이해하기
  • 협업필터링의 원리 파악하기

실습

  • 별점데이터를 User-Item Matrix로 변환하기
  • Tensorflow를 설치하고 기초적인 구문을 작성하기
  • 자카드, 유클리드, 코사인, 피어슨 유사도를 Tensorflow로 직접 구현하기
  • 이웃기반 협업필터링으로 추천시스템 만들기

이전시간에는 별점데이터로 User-Item 매트릭스를 만들어 협업필터링을 구현해보았습니다.
고객의 행동에는 “별점”, “리뷰”와 같이 명시적으로 전달되는 데이터도 있지만, 고객도 모르는 사이에 저장되는 “클릭”, “장바구니”, “구매”와 같이 로그데이터도 있습니다. 이를 암묵지(Implicit) 데이터라고 하는데요, 이번시간에는 Implicit 데이터로 User-Item 매트릭스를 만듭니다. 그리고 이를 통해 “모델 기반 추천 시스템” 중 하나인 Matrix Factorization를 구현해 봅니다. Matrix Factorization의 발명은 추천 시스템에 있어서 가장 중요한 사건인데요, 이러한 모델 기반 추천 시스템의 필요성과 잠재변수의 이점을 이해합니다. 행렬 분해의 기초 원리를 파악하고 Funk-SVD의 접근 방법을 배웁니다. 텐서플로우로 Matrix Factorization의 동작을 구현하여 고객의 선호를 예측합니다.

 

이론

  • 모델기반의 추천 시스템의 개념과 필요성을 이해하고 분류하기
  • Linear Regression과 머신러닝의 원리 이해하기
  • 잠재변수와 행렬분해에 대한 개념과 필요성 이해하기
  • Matrix Factorization의 접근 방법과 원리 이해하기
  • Matrix Factorization의 고도화 방법을 정리하기

실습

  • Implicit 데이터를 User-Item Matrix로 변환하기
  • Tensorflow를 활용하여 Matrix Factorization 구현하기
  • Matrix Factorization 고도화하기

인공신경망, 즉 딥러닝은 모든 산업에 걸쳐서 기술의 비약적인 발전을 가져왔습니다. 기존의 추천시스템에 딥러닝을 활용하여 더욱 성과가 좋은 모델을 찾고자 하는 융합적 연구가 현재까지도 활발히 진행되고 있지요.
이전 시간에는 Implicit 데이터를 User-Item 매트릭스로 변환하고, 이를 Matrix Factorization 하여 협업필터링으로 추천 시스템을 구축해보았습니다. 이번 시간에는 인공신경망의 기본 원리와 역할을 이해합니다. 그리고 협업필터링에 인공신경망을 활용하는 방법을 모색합니다. 다양한 딥러닝 추천 시스템 모델 중 하나인 NCF의 접근 방법을 이해하고, 직접 구현하여 추천되는 결과를 확인합니다.


이론

  • 인공신경망(Neural Network)의 원리 이해하기
  • NCF(Neural Collaborative Filtering)의 접근방법 이해하기

실습

  • Tensorflow로 NCF(Neural Collaborative Filtering) 구현하기

마케팅에서 클릭률(CTR: Click-Through Rate)은 고객의 흥미를 파악하는 핵심적인 척도입니다. 추천 시스템은 클릭률의 향상과 매우 밀접한 관계가 있는 기술이지요. 그리고, Feature Table은 하나의 고객 행동 데이터를 한 행의 Feature 조합으로 표현하는 데이터 테이블 구조입니다.
이번시간에는 Click-Through 데이터를 Feature 테이블로 변환하고 Factorization Machine 으로 추천 시스템을 구축해 봅니다.


이론

  • Feature Table의 구조와 원리를 이해하기
  • Factorization Machine의 원리로 이해하기

실습

  • Click-Through데이터를 Feature Table로 변환하기
  • 텐서플로우를 활용하여 Factorization Machine 구현하기 

DeepFM은 5회차에서 구현한 Factorization Machine에 딥러닝 구성요소를 추가하여 성능을 고도화한 모델입니다. 딥러닝 추천시스템 모델인 DeepFM의 접근방법을 이해하고, 직접 구현하여 추천되는 결과를 확인합니다.


이론

  • DeepFM의 구성과 접근방법 이해하기
  • 다양한 문제와 데이터에 맞는 딥러닝 추천 시스템 사례 살펴보기

실습

  • Tensorflow로 DeepFM을 구현하여 CTR 예측하기
  • 구현한 DeepFM 추천 모델을 서비스화 하여 결과 확인하기

| 강사 소개 및 인터뷰

추천 시스템

강상재

현) 퍼블릭에이아이 CTO(기술총책임자)
전) 메디웨일 인공지능 개발자


- 카드사 데이터를 활용한 고객 구매 예측 모델 연구
- 세브란스병원 안저 데이터를 활용한 질병 예측 모델 개발 프로젝트 수행
- 일산병원 EMR 데이터를 활용한 환자 질병 예측 모델 연구
- 열화상 영상을 활용한 이상 태양광 셀 판독 프로젝트 수행
- 한글 손글씨 인식 OCR 모델 개발 프로젝트 수행
- 주행 영상을 활용한 이상 노면 판독 시스템 개발 프로젝트 수행
- 은행 데이터를 활용한 맞춤 제품 추천 시스템 개발 프로젝트 수행

1. 안녕하세요! 자기소개 부탁드립니다.

저는 현재 현업 실무에 필요한 딥러닝(Deep Learning) 기술을 개발하여 제공하고 해당 기술을 실무자가 이용할 수 있도록 교육하는 일을 수행하고 있습니다. 딥러닝 모형이 가지고 있는 가장 큰 강점은 바로 유연함(flexibility)에 있습니다. 사람의 말에서 의미를 추출하는 알고리즘(Word2Vec)은 상품의 특성에서 핵심적인 정보를 추출하는 알고리즘(Item2Vec)으로 활용되고, 시계열 데이터를 바탕으로 다음 주가를 예측하는 모형(GRU)이 사람들의 앱 사용행태에 따라 다음 클릭을 예측하는 모형(GRU2REC)으로 변주되기도 합니다.
이렇듯 이때까지 많은 딥러닝 모형은 유연함이라는 강점으로 접근방법을 차용하여 추천시스템 연구에서 산업을 넘나드는 큰 성과를 보았지만, 실제 기업에서 그런 기술들을 사용하기에는 어려움이 많았습니다. 저희는 연구에서 머물던 여러가지 딥러닝 기술들이 현업에서 성과로 창출되는 교육을 제공합니다.

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

현업에서 발생하는 다양한 문제에 수강생들이 스스로 대처할 수 있도록, 실제 현업과 동일한 환경의 DB에서 커머스 데이터를 가져오는 데이터 로드부터 시작합니다. 그리고 데이터를 탐색하고 전처리하는 단계를 1~2주차에 배우고, 그 이후에는 각 커머스 데이터 형태에 맞는 여러가지 머신러닝 추천 알고리즘과 딥러닝 추천 알고리즘을 학습합니다. 이러한 개념를 익히기 위해서는 직접 코드를 치며 체화하는 학습 시간이 가장 중요합니다.


본 강의에서는 최소한의 이론 지식을 배우는 시간을 가지고, 대부분의 시간은 직접 코드를 따라 치며 모델이 어떻게 동작하는지 배우는 시간을 갖습니다. 그리고 실제와 유사한 커머스 데이터를 통해 추천시스템을 구현하여 수강생이 현업에서도 이용할 수 있도록 학습 기회를 제공합니다.

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

이 수업에서 다루는 커머스 데이터는 크게 고객의 신원 정보를 담은 ‘고객 정보 데이터’, 회사의 제품에 대한 ‘제품 정보 데이터’, 고객이 제품에 대한 클릭 혹은 구매 등의 ‘고객행동 데이터’로 구성됩니다. 그리고, 이러한 데이터의 분류와 구성은 도메인의 특수성을 제외하면 거의 모든 커머스 회사 현업에서 이미 준비된 데이터와 유사합니다. 실무에 친숙한 수강생 분들은 출근하면 매일 보던 “그 데이터”와 유사한 데이터로 “인공지능 추천시스템”을 만드는 경험을 가져가게 될 것입니다.

본 강의에서는 다양한 비즈니스 문제와 커머스 데이터에 따라 추천시스템을 수강생들이 직접 만듭니다. 그렇게 만든 추천시스템은 수강생 본인의 현업에서 실무 DB로 쿼리를 보내 추천 결과를 도출할 수 있습니다. 본 강의는 DB에서부터 시작하여, 현업에서도 배운 내용을 적용하기 편하도록 준비하였습니다.

5. 주로 어떤 분야에 있는 분들이 수강 대상에 적합할까요?

커머스 산업에서 데이터를 만지는 모든 실무자에게 적합합니다. 개발에 익숙하지 않지만 폭발적인 매출 성과를 내고싶은 마케터, 기획자 분들도 파이썬을 활용한 데이터 분석 강의를 한 번쯤 수강하였거나, 데이터에 선형 회귀(Linear Regression)이나 의사 결정 나무 모형을 이용하여 프로젝트를 수행해본 경험이 있다면 본 강의에서 다루는 모형들을 이해할 수 있습니다. 고객 데이터를 다루는 딥러닝 모형은 자연어 처리나 영상 처리와 달리 훨씬 간단한 형태로 구성되어 있습니다. 심지어 유튜브에 쓰이는 모형이나 Netflix 대회에서 수상한 알고리즘도 그 구조는 단순합니다. 이 수업에서는 데이터를 다루고 의미있는 결과를 도출하는 일에 간단한 딥러닝을 적용시켜 보고 싶은 분들에게 적합합니다.

6.다른 강의와 어떤 차별점이 있나요?

대부분의 딥러닝 강의는 자연어 처리와 영상 처리에 치중되어 있습니다. 딥러닝에서 매우 중요한 주제들이지만, 연구조직이거나 인공지능 개발자가 아니라면 현업에서 이러한 데이터를 직접 다루어 적용하기는 어렵습니다. 딥러닝을 현장에서 우선적으로 적용해볼 수 있도록 정형화된 데이터인 Database 내 데이터들을 활용하여 수업에서 다룹니다.

추천시스템은 비즈니스와 아주 밀접한 관계를 가져 매출에 직접적인 영향을 주는 기술입니다.
따라서, 추천시스템을 도입하고자 하는 환경과 마케팅에 대한 이해가 필수적입니다. 본 강의는 경영 실무자와 딥러닝 개발자가 함께 연구하고 커머스 산업의 데이터를 분석하여 강의자료를 준비합니다. 수강생들은 현업에서 쓰는 언어와 눈높이에서 추천시스템을 이해할 수 있습니다.

7.마지막으로 수강생들에게 하고 싶으신 말

딥러닝 기술은 배움에 멈추지 않고 현장에서 적용했을 때 비로소 의미를 가진다고 생각합니다. 이 수업은 수강생들이 현장에 딥러닝 모델을 이용해 볼 수 있도록 하는 것을 목표로 합니다. 여러분의 현장에서 큰 성취를 이룰 수 있도록 최선을 다하겠습니다.

수강료 100만 원80만 원
수강신청은 결제 순으로 선착순 마감될 수 있습니다.
개강 후 환불은 학원법 시행령 <제18조 제3항> 수강료 반환기준에 의거합니다.
   # 환불 세부규정 확인하기 (클릭)

20만 원 할인, 놓치지 마세요!