Python을 이용한 개인화 추천시스템 | 추천알고리즘 | 추천인공지능
다양한 추천 알고리즘 동작 원리를 이해함으로써 여러분만의 개인화 추천 알고리즘을 만들어보세요!
초급자를 위해 준비한
[딥러닝 · 머신러닝] 강의입니다.
이런 걸
배워요!
추천 알고리즘에 대한 개념
다양한 추천 알고리즘에 대한 작동 원리
Python을 활용한 추천 알고리즘 구현
개인화 추천시스템 구현 ✅
거친코딩과 함께 거칠지만 유익하게!
성공하는 서비스의 비결
추천 시스템 알고리즘 👨💻
넷플릭스, 아마존, 유튜브, 스포티파이 등
세계적인 유명 서비스를 비롯해
추천 알고리즘을 활용한 서비스가
점점 더 늘어나고 있습니다.
그런데...
혹시 내 얘기 같지 않으신가요?
“제가 과연 추천 알고리즘에 대한 개념을 바로잡을 수 있을까요?”
“추천 알고리즘, 개념은 알겠는데... 그래서 어떻게 구현하죠?”
👇👇
추천 시스템 📌
쉽고 직관적인 파이썬으로!
추천 알고리즘을 활용한 서비스가 점점 많아지면서, 추천 알고리즘에 대해 학습하길 원하는 분들도 계속해서 늘고 있습니다. 이에 발맞춰 <Python을 이용한 개인화 추천시스템>에서는 이해하기 쉽고 직관적인 프로그래밍 언어 파이썬(Python)을 활용해 추천 알고리즘에 대한 정확한 개념과 원리를 설명드리고자 합니다.
추천 알고리즘, 왜 파이썬(Python)일까요?
추천 시스템을 배우고 싶은 분, 실무에 맞는 구현 능력까지 기르고 싶은 많은 분들께 유의미한 시간이 되었으면 좋겠습니다 😊
💻 선수 지식을 확인해주세요!
- 강의를 수강하기 위해서는 Python 언어 및 및 Numpy(넘파이), Pandas(판다스), Keras(케라스) 라이브러리에 대한 기본 이해가 필요합니다.
남다르게 배우는
추천 시스템의 세계 💌
거칠지만 정말 유익한!
데이터 분석가 거친코딩입니다.
안녕하세요! 저는 현재 "네카라 중 한 곳"에서 데이터 분석가로 일하는 거친코딩입니다.
추천 알고리즘에 대한 개념을 바로잡을 수 있을지 고민하셨나요? 책을 볼 땐 알겠는데, 막상 실제로 알고리즘을 구현하려니 막막하게만 느껴지시나요?
이 강의를 통해, 개념과 동작 원리를 정확히 설명함으로써 추천 알고리즘의 기틀을 확실하게 바로잡아드리려고 합니다. 단순 개념 설명으로 끝나지 않고, 구체적인 동작 원리까지 함께 코딩하면서 실제 구현에 대한 확신까지 드릴 수 있도록 강의를 구성했습니다.
데이터 분석가, 거친코딩은 👨💻
현재 "네카라 중 한 곳"에서 파이썬 및 시각화 툴(Tableau)을 활용해 데이터 수집, 가공, 분석, 예측, 시각화, 업무 자동화를 하고 있습니다.
주요 이력
- 고려대학교 통계학과 학사 (졸업)
- 고려대학교 대학원 빅데이터융합학과 (재학)
- QS 세계대학평가 평가위원
- 고려대학교 SW중심대학 인공지능 심화 수료
- 고려대학교 KUCC(컴퓨터 동아리) 세션장
- 고려대학교 학과 수석 5회, 전체 수석 1회
- 빅데이터분석기사 자격증
- 빅데이터분석 준전문가(ADSP) 자격증)
- 빅데이터 분석 및 개발 블로그 운영
- 인공지능 강의 유튜브 운영
멘토링 진행
- 데이터 분석 직무를 꿈꾸는 학생들을 위한 효율적 공부법
- 데이터 분석 현업에 있는 주니어 분석가를 위한 상담
- 현업에서 IT직군이 아니지만, IT 기술을 활용하여 본인 업무에 적용하고 싶은 분
제 지식을 통해
함께 만들어가는 강의가
되었으면 좋겠습니다.
모든 일에는 시작이 가장 중요합니다. 학습하시면서 궁금하신 내용이 있다면 [질문/답변] 을 통해 문의해주세요. 멘토링도 진행하고 있으니, 데이터 분석에 관심이 있는 분들께 많은 도움이 되고 싶습니다. 😊
타의 추종을 불허합니다!
이 강의가 남다른 이유 👍
단순 개념 설명 위주 막연한 강의?
• 인터넷에 널려있는 자료랑
강의가 별반 다른 게 없는 것 같아요.
• 개념 설명은 좋은데,
그래서 실제 구현은 정확히 어떻게 하죠?
• 사용하는 언어 자체 난이도가 너무 어려워요.
체계적 커리큘럼, 실습 위주 실전 강의!
• 단순 개념 설명이 아닌
원리 및 실습 위주의 실전 강의예요.
• 단순히 웹상의 자료를 모은 강의가 아니라,
권위있는 참고서적을 정리해서 엮었어요.
• 쉽고 빠르게 배우는 파이썬을 활용했어요.
1️⃣ 단순 개념 설명이 아닌, 원리+실습 위주의 실전 강의
이미 추천 알고리즘에 대한 단순 개념 설명은 많은 사이트에 널려 있습니다. 하지만 아무리 좋은 개념 설명일지라도 실제 정확한 구현까지 이르지 못하면 소용이 없기 마련입니다.
이번 강의에서는 추천 알고리즘의 개념을 충실히 알려드리는 것은 물론, 현업에서 추천 시스템을 도입하기 위한 노하우까지 탄탄하게 알려드립니다.
2️⃣ 쉽고 빠르게 배우는 Python을 활용한 강의
다른 프로그래밍 언어에 비해 빠르게 배울 수 있고 인공지능 분야에 특화된 언어인 Python을 활용하여 강의가 진행됩니다. 추천 알고리즘에 대한 이해뿐만 아니라 인공지능 모델 구축에 필요한 데이터 엔지니어링까지 함께 배울 수 있도록 강의를 구성하였습니다.
3️⃣ 체계적인 커리큘럼으로 정확한 이해까지
Python을 이용한 개인화 추천시스템 (도서출판청람, 임일 저)
단순히 여러 사이트에 돌아다니는 지식을 대충 모아서 구성한 강의가 아닙니다. 권위있는 참고서적을 정리한 내용을 기반으로, 체계적으로 강의 커리큘럼을 구성하였습니다.
학습 내용을
확인해보세요 📚
이 강의에서는 💻
- 주로 개인화 추천 기술의 전반적인 내용을 다룹니다.
- 그중에서도 특히 연속값을 사용하는 개인화 추천 기술을 다룹니다.
- 협업 필터링(Collaborative Filtering), 행렬 요인화(Maxtrix Factorization), 딥러닝(Deep Learning) 추천 알고리즘 및 다수의 추천 알고리즘을 결합한 하이브리드(Hybrid) 추천 시스템 등에 대해서도 설명합니다.
오리엔테이션
이번 강의의 목적은 주요 개인화 추천 알고리즘의 작동원리를 이해하는 데 있습니다. 강의의 목적과 소개를 5분 정도의 OT 영상을 통해 정리하였으니, [강의 미리보기] 를 통해 확인해 주세요!
추천 시스템 소개
사용자의 과거 행동 데이터나 다른 데이터를 바탕으로 사용자에게 필요한 정보나 제품을 골라서 제시해 주는 추천 시스템의 개념과 여러 기술, 그리고 그 발전 과정에 대해 소개해드립니다.
- 주요 추천 알고리즘
- 추천 시스템 적용 사례
기본적인 추천 시스템
앞으로의 이론과 실습을 배우기 위한 기본적인 데이터를 준비하고 이해하는 과정입니다. 추천 시스템의 기본 동작 원리를 소개해 드립니다.
- 데이터 읽기
- 인기제품 방식
- 추천 시스템의 정확도 측정
- 사용자 집단별 추천
협업 필터링 추천 시스템
유사도 기반으로 이루어진 협업 필터링(CF)에 대한 개념과 동작원리를 소개해드리고 실제 함께 구현을 해봄으로써 해당 개념에 대한 이해를 높일 것입니다.
- 협업 필터링의 원리
- 유사도지표
- 기본 CF 알고리즘
- 이웃을 고려한 CF
- 최적의 이웃 크기 결정
- 사용자의 평가경향을 고려한 CF
- 그 외의 CF 정확도 개선 방법
- 사용자 기반 CF와 아이템 기반 CF
- 추천 시스템의 성과측정지표
Matrix Factorization(MF) 기반 추천
행렬 연산 기반으로 이루어진 Matrix Factorization(MF)에 대한 개념과 동작원리를 소개해드리고 실제 함께 구현을 해봄으로써 해당 개념에 대한 이해를 높입니다.
- Matrix Factorization(MF) 방식의 원리
- SGD(Stochastic Gradient Decent)를 사용한 MF 알고리즘
- SGD를 사용한 MF 기본 알고리즘
- train/test 분리 MF 알고리즘
- MF의 최적 파라미터 찾기
- MF와 SVD
Surprise 패키지 사용
간편하게 CF와 MF 기반 추천 시스템을 구현하고 테스트해볼 수 있는 패키지의 개념과 동작 원리를 배워봅니다.
- Surprise 기본 활용 방법
- 알고리즘 비교
- 알고리즘 옵션 지정
- 다양한 조건의 비교
- 외부 데이터 사용
딥러닝을 사용한 추천 시스템
다수의 은닉층(hidden layer)을 가진 인공신경망의 개념을 활용하여 추천시스템을 동작시킬 수 있는 원리 및 실습을 해봄으로써 해당 개념에 대한 이해를 높입니다.
- Matrix Factorization(MF)을 신경망으로 변환하기
- Keras로 MF 구현하기
- 딥러닝을 적용한 추천 시스템
- 딥러닝 모델에 변수 추가하기
하이브리드 추천 시스템
다수의 추천 알고리즘 결합을 통한 상호 성능 보완 및 개선에 대한 방법론적인 내용과 실제 실습을 통해 이해를 높일 것입니다.
- 하이브리드 추천 시스템의 장점
- 하이브리드 추천 시스템의 원리
- 하이브리드 추천 시스템(CF와 MF의 결합)
대규모 데이터의 처리를 위한 Sparse Matrix 사용
감당할 수 없는 정도의 데이터를 처리하는 방법과 실제 추천 알고리즘의 적용까지의 과정을 배워봄으로써 실전 스킬에 대한 감각을 익혀볼 것입니다.
- Sparse Matrix의 개념과 Python에서의 사용
- Sparse Matrix를 추천 알고리즘에 적용하기
추천 시스템 구축에서의 이슈
실제 추천시스템을 구축할 때 자주 발생하는 문제나 이슈들의 총 정리를 통해 실제 추천 시스템 제작 과정의 시행착오를 조금이나마 줄여갈 수 있는 여러 가지 노하우를 직접 익혀봅니다.
- 신규 사용자와 아이템(Cold Start Problem)
- 확장성(Scalability)
- 추천의 활용(Presentation)
- 이진수 데이터(Binary Data)의 사용
- 사용자의 간접 평가 데이터(Indirect Evaluation Data) 확보
지식공유자의
Q&A를 확인해보세요! 💬
Q. 선수 지식(Python, Numpy, Pandas ,Keras)은 반드시 알아야 하나요?
Python은 반드시 알아야 하지만, 다른 라이브러리들은 미리 너무 깊게 학습하실 필요는 없고 강의를 들으시면서 나오는 내용 중에 모르는 내용들만 따로 찾아서 공부하시는 것도 추천드립니다. 강의에서 사용하는 라이브러리 활용들은 아주 유용하고 흔히 사용되는 것들이니 처음 공부하시는 분들께는 어떤 것부터 먼저 공부해야 할지 가이드라인이 될 수도 있을 것 같네요. 😉
Q. 데이터는 미리 제공이 되나요?
물론입니다. 모든 강의에서 활용되는 데이터는 미네소타 대학의 그룹렌즈(GroupLens) 프로젝트에 의해 개발되어 검증된 MovieLens 데이터를 활용할 것이고, 수업 시작 전 제공되는 데이터 URL을 통해서 다운 받으시면 됩니다.
Q. 강의를 들으면 실제 추천 엔진을 개발할 수 있나요?
모든 강의 챕터에서는 다양한 추천 알고리즘의 개념뿐만 아니라 실제 실습을 함께 병행하고 있습니다. 그래서 함께 실습한 코드에서 각자 도메인에 맞게 약간의 변형만 한다면 여러분만의 추천엔진을 개발하실 수 있습니다.
Q. 파이썬을 따로 설치해야 하거나, 개발 환경을 따로 구성해야 하나요?
전혀 그러실 필요가 없습니다. 설치 및 개발환경 구축의 번거로움을 걷어내기 위해서 google 에서 제공하는 웹 환경 에디터 Colab을 사용할 것입니다.
자세한 Colab 사용법은 제 블로그를 통해서 확인 하시거나, 구글 검색에 colab 사용법이라고 검색하시면 더 자세하게 확인하실 수 있습니다.
거친코딩의 다른 강의가 궁금하다면? 📖
파이썬 기초 라이브러리부터 쌓아가는 머신러닝
처음 시작하는 머신러닝의 완벽 길잡이!무료 강의
이런 분들께
추천드려요!
학습 대상은
누구일까요?
개인화 추천 알고리즘에 관심이 있는 분
현업에 추천 시스템을 도입하고 싶으신 분
선수 지식,
필요할까요?
Python 기본 이해
Numpy 라이브러리 기본 이해
Pandas 라이브러리 기본 이해
Keras 라이브러리 기본 이해
안녕하세요
거친코딩입니다.
수강생 수
6,095
수강평 수
76
강의 평점
4.8
강의 수
3
🙌 소개
안녕하세요. 거칠지만 정말 유익한 데이터 분석가 "거친코딩" 입니다.
고려대학교 통계학과 (졸업)
고려대학교 대학원 빅데이터융합학과 (재학)
QS 세계대학평가 평가위원
고려대학교 SW 중심대학 인공지능 심화 수료
고려대학교 KUCC(컴퓨터 동아리) 세션장
고려대학교 학과 5회 수석, 1회 전체 수석
빅데이터분석기사 자격증
빅데이터분석 준전문가(adsp) 자격증
저는 현재 "네카 중 한 곳"에서 파이썬 및 시각화툴(Tableau)를 활용하여 데이터 수집, 가공, 분석, 예측, 시각화, 업무 자동화를 하고 있습니다.
⭐️ 멘토링
데이터 분석 직무를 꿈꾸는 학생들을 위한 효율적 공부법
데이터 분석 현업에 있는 주니어 분석가를 위한 상담
현업에서 IT직군이 아니지만, IT 기술을 활용하여 본인 업무에 적용하고 싶은 분
🌈 멘토링 진행 방식
zoom을 통한 비대면 방식 진행
준비물 : 컴퓨터, 카메라, 이어폰
미리 준비한 질문 사항 혹은 현 상황에 따라 멘토링 진행
🐯 마무리 글
모든 일에는 시작이 가장 중요합니다. 뜨거운 열정으로 이루고자 하는 것을 꼭 이뤄냅시다!..
📨 메일문의
rough_coding@naver.com
커리큘럼
전체
41개 ∙ (6시간 14분)
가 제공되는 강의입니다.