멀티캠퍼스 :: 과정상세보기

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 5

평균평점

5 / 5.0

5

안*영
2023.12.29

머신러닝, 딥러닝을 아우르는 종합적인 데이터분석 기법과 알찬 실습 내용으로 업무에 큰 도움이 되는 교육이었습니다.
4.75

송*빈
2023.12.29

강의 내용을 정성스럽게 준비해주셔서 만족도가 높습니다.
5

김*훈
2023.11.22

추천시스템의 근간이 되는 기술들을 알수있어 좋았고 추가적으로 머신러닝 기술들까지 설명해주어 연결해볼수 있어 좋았습니다
5

정*윤
2023.11.22

구글이나 넷플릭스,Open AI 와 같은 실제로 사용하는 추천 시스템을 예로 들어 설명해주셔서 좋은 경험이었습니다.
5

김*우
2023.11.22

pandas를 기본으로 추천을 위한 다양한 알고리즘을 직접 코딩해 볼 수 있어 이해하기가 쉬웠으며, 현재 추천 서비스를 제공하는 업체들의 기법에 대해서도 강사님의 다양한 경험을 기반으로 설명을 해주셔서 최신 기술 동향과 코딩 기법에 대해 알아가기에 좋은 기회가 되었습니다.

실전! AI 추천 시스템 알고리즘 이해 및 구현 관련과정

집합

교재제공

파이썬을 활용한 머신러닝

집합

교재제공

빅데이터를 위한 파이썬