과정상세
실전! AI 추천 시스템 알고리즘 이해 및 구현
중급
실전! AI 추천 시스템 알고리즘 이해 및 구현
카테고리
- 학습유형별 대면
- AI 머신러닝/딥러닝
- 데이터 사이언스
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
- MovieLens 100K 데이터셋을 이용하여
-
추천 개론
- 추천 로직을 만들면서 접했던 추천의 요소르 정리하고,
추천 시스템을 연구하기 위해 필요한 것을 살펴봅니다. 11:00 ~ 12:00
- 추천 로직을 만들면서 접했던 추천의 요소르 정리하고,
-
추천의 접근 방법
- 필드에서 말하는 추천 시스템의 분류를 살펴 보고,
이들의 기본이 되는 접근 방법을 보입니다. 13:00 ~ 14:00
- 필드에서 말하는 추천 시스템의 분류를 살펴 보고,
-
추천 접근 방법 I
- 히스토리와 통계량 기본의 접근 방법을 소개하고,
이들을 기계학습 까지 붙여 봅니다. 14:00 ~ 15:00
- 히스토리와 통계량 기본의 접근 방법을 소개하고,
-
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
- 콘텐츠 기반의 추천을 소개합니다.
-
과정 소개
-
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
- 잠재 요소 모델을 소개합니다.
-
Matrix Factorization 1
- 다른 모델로 확장이 가능한 모델인 MF 모델을 소개합니다.
이를 학습시키기 위한 기본 알고리즘인 Gradient Descent도 합니다. 11:00 ~ 12:00
- 다른 모델로 확장이 가능한 모델인 MF 모델을 소개합니다.
-
Matrix Factorization 2
- MF를 확장 가능한 형태로 하기 위해,
Tensorflow Framework을 소개합니다. 13:00 ~ 14:00
- MF를 확장 가능한 형태로 하기 위해,
-
Matrix Factorization 3
- Matrix Factorization을 통한 평점 예측을 해봅니다.
Probabilstic Matrix Factorization을 소개합니다. 14:00 ~ 15:00
- Matrix Factorization을 통한 평점 예측을 해봅니다.
-
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
- 실습
-
Matrix Factorization 요약
- 실습 결과 분석 및 요약, Q&A 17:00 ~ 18:00
-
추천 접근 방법 3
-
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
- Matrix Factorization 모델의 변형인
-
Two Tower 모델 구현
- Two Tower 모델을 구현하기 위한
Tensorflow Custom Training Routine을 분석합니다. 11:00 ~ 12:00
- Two Tower 모델을 구현하기 위한
-
Two Tower 모델의 응용
- RNN을 이용한 시청 패턴을 담아 보고,
MF를 필드에 응용하기 위한 고찰을 해봅니다. 13:00 ~ 14:00
- RNN을 이용한 시청 패턴을 담아 보고,
-
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
- First Stage: Two Tower 모델을 이용한 시청이 예상 되는 영화
-
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
-
Multi-Stage 추천
-
1일차
수강후기 9
-
5전*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 -
4전*욱
2024.09.27
재밌긴 한데 어렵네요. -
4.75류*식
2024.09.27
내용이 조금 어려웠습니다. 많은 방법을 다뤄 줬는데 주요한 개념 몇개만 중점적으로 다뤄줘도 좋을 것 같습니다 -
4.75사*진
2024.09.27
비전공자가 이해하기에 어려워서 조금 버거웠지만 상세한 설명과 실무위주의 안내도 해주셔서 좀더 폭 넓게 배울수있었습니다. -
5안*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
교재제공
교재제공