멀티캠퍼스

통합검색

검색도우미 기능을 다시 켤때는
검색창에서 검색도우미 열기를 클릭하세요

과정상세

실전! AI 추천 시스템 알고리즘 이해 및 구현

thumbnail image
집합

중급

실전! AI 추천 시스템 알고리즘 이해 및 구현

4.8

like 9

1,050,000원 (VAT없음)
학습기간
개폐강 확정일 2024.11.22

카테고리

  • 학습유형별 대면
  • AI 머신러닝/딥러닝
  • 데이터 사이언스

과정요약

과정요약
학습시간 09:00 ~ 18:00 ( 24시간 ) 난이도 중급
교육비 지원 고용보험 비환급 평가항목 출석률 100%
수료기준 총점 80점 이상시 수료 정원 24 명

과정소개

학습목표

  • 추천 시스템의 기본 원리에 대해 이해하고 구현합니다.
  • 추천 시스템 중 가장 널리 사용되는 Matrix Factorization 모델을 구현합니다.

학습대상

  • 추천 시스템을 구현해야 하는 SW엔지니어
  • 넘파이, 판다스 등 기본적인 파이썬 라이브러리를 통해 기본적인 데이터 전처리가 가능한 개발자 혹은 데이터분석가
    • 1일차
      • 과정 소개
        • 과정에서 다루고 있는 내용을 소개합니다. 09:00 ~ 10:00
      • 초간단 추천 로직 만들기
        • MovieLens 100K 데이터셋을 이용하여
          나만의 추천 로직을 만들어 봅니다. 10:00 ~ 11:00
      • 추천 개론
        • 추천 로직을 만들면서 접했던 추천의 요소르 정리하고,
          추천 시스템을 연구하기 위해 필요한 것을 살펴봅니다. 11:00 ~ 12:00
      • 추천의 접근 방법
        • 필드에서 말하는 추천 시스템의 분류를 살펴 보고,
          이들의 기본이 되는 접근 방법을 보입니다. 13:00 ~ 14:00
      • 추천 접근 방법 I
        • 히스토리와 통계량 기본의 접근 방법을 소개하고,
          이들을 기계학습 까지 붙여 봅니다. 14:00 ~ 15:00
      • 추천 접근 방법 2
        • 콘텐츠 기반의 추천을 소개합니다.
          영화 줄거리에서 콘텐츠 정보를 뽑아 옵니다.
          텍스트 분석의 기본 단계인 형태소 분석과 불용어 제거를 합니다
          Bag-Of-Word, Tf-Idf 그리고 LSA을 통해
          텍스트의 벡터화를 하고, 결과를 시각화합니다.
          Open AI의 임베딩서비스를 통한 텍스트 벡터화 15:00 ~ 18:00
    • 2일차
      • 추천 접근 방법 3
        • 잠재 요소 모델을 소개합니다.
          대표적인 잠재 요소 모델인 ALS 방법을 구현해 봅니다.
          잠재 요소 모델의 산출물을 분석해봅니다.
          이를 바탕으로 사용자 기반의 추천과
          콘텐츠 기반의 추천을 해봅니다. 09:00 ~ 11:00
      • Matrix Factorization 1
        • 다른 모델로 확장이 가능한 모델인 MF 모델을 소개합니다.
          이를 학습시키기 위한 기본 알고리즘인 Gradient Descent도 합니다. 11:00 ~ 12:00
      • Matrix Factorization 2
        • MF를 확장 가능한 형태로 하기 위해,
          Tensorflow Framework을 소개합니다. 13:00 ~ 14:00
      • Matrix Factorization 3
        • Matrix Factorization을 통한 평점 예측을 해봅니다.
          Probabilstic Matrix Factorization을 소개합니다. 14:00 ~ 15:00
      • Matrix Factorization 실습1
        • 실습
          1. Genre 정보 활용하기 / 2. Series 정보 활용하기 /
          3. 외부 임베딩 활용하기
          4. 변형된 형태의 Matrix Factorization 15:00 ~ 17:00
      • Matrix Factorization 요약
        • 실습 결과 분석 및 요약, Q&A 17:00 ~ 18:00
    • 3일차
      • Multi-Stage 추천
        • Youtube가 제시한 추천 pipeline 소개 및 고찰 09:00 ~ 10:00
      • Two Tower 모델
        • Matrix Factorization 모델의 변형인
          Two Tower 모델을 소개합니다. 10:00 ~ 11:00
      • Two Tower 모델 구현
        • Two Tower 모델을 구현하기 위한
          Tensorflow Custom Training Routine을 분석합니다. 11:00 ~ 12:00
      • Two Tower 모델의 응용
        • RNN을 이용한 시청 패턴을 담아 보고,
          MF를 필드에 응용하기 위한 고찰을 해봅니다. 13:00 ~ 14:00
      • 2-Stage 추천
        • First Stage: Two Tower 모델을 이용한 시청이 예상 되는 영화
          Second Stage: 일반 MF 모델을 이용한 rating 예측을 통한
          선호 영화 도출 14:00 ~ 15:00
      • Tensorflow Recommender 모듈 소개
        • Tensorflow Recommender에서 구현된 개념을 소개합니다. 15:00 ~ 16:00
      • Deep Learning 모델 소개
        • 간단한 Deep Learning 모델 소개 16:00 ~ 17:00
      • 강의 마무리
        • 강의 총론 / Q&A / Future Work 17:00 ~ 18:00

수강후기 9

평균평점

4.8 / 5.0

  • 5
    전*훈

    2024.09.27

    수업 내용 구성, 수업 진행 방법, 친절함 등 모두 만족, 하지만 기초 데이터 분석 지식이 없는 분들께는 다소 내용이 어려워 보이며, 그런 분들까지 안고 가기에는 3일이라는 시간이 다소 짧게 느껴짐
  • 4
    전*욱

    2024.09.27

    재밌긴 한데 어렵네요.
  • 4.75
    류*식

    2024.09.27

    내용이 조금 어려웠습니다. 많은 방법을 다뤄 줬는데 주요한 개념 몇개만 중점적으로 다뤄줘도 좋을 것 같습니다
  • 4.75
    사*진

    2024.09.27

    비전공자가 이해하기에 어려워서 조금 버거웠지만 상세한 설명과 실무위주의 안내도 해주셔서 좀더 폭 넓게 배울수있었습니다.
  • 5
    안*영

    2023.12.29

    머신러닝, 딥러닝을 아우르는 종합적인 데이터분석 기법과 알찬 실습 내용으로 업무에 큰 도움이 되는 교육이었습니다.

실전! AI 추천 시스템 알고리즘 이해 및 구현 관련과정