진행중 이벤트!

본 워크샵은 조기마감되었습니다. 출시알림을 신청해주시면, 다음 기수 모집 시 가장 먼저 알려드리겠습니다. 감사합니다.

문의 : 02-517-0697

1. 3명의 현업 전문가가 전하는
추천시스템 아키텍쳐

천 시스템은 알고리즘의 정확도만큼이나 비즈니스에 대한 이해를 바탕으로 해 서비스를 빈틈없이 설계하는 것이 중요합니다. 그것이 곧 고객 경험과 직결되기 때문이죠. 현업에서 활발히 활동하고 있는 3명의 전문가가 추천 시스템에 대한 이론적 이해부터, 사업 분야 적용에 있어 고려해야할 점까지 실무에서 꼭 필요한 인사이트를 길러드립니다.

2. 영화 평점/쇼핑몰 실제 데이터를
활용한 추천시스템 구축 실습

2회차에서 사용자 프로필 기반의 CBF와 상품기반의 CF 알고리즘을 활용해 영화 추천시스템을 구현합니다. 3회차에는 실제 쇼핑몰 데이터를 가지고 전처리부터 3가지 종류의 추천시스템 구현까지 전 과정을 실습합니다. 데이터 종류에 따라 추천시스템 방법론이 어떻게 달라져야하는지를 이해하고 이를 실제로 구현하는 경험을 내 것으로 만드세요!

3. 추천 시스템 고도화를 위한
다양한 알고리즘과 실무 노하우

추천시스템은 사용자 경험을 바탕으로한 지속적인 개선이 중요합니다. 머신러닝 기반의 CBF와 data dimensionality 문제를 해결하기 위한 MF(Matrix Factorization)에 대해 배우고 직접 알고리즘을 고도화해보며 실전역량을 기를 수 있도록 도와드립니다. 이외에 추천의 정확도와 다양성을 향상시키는 고도화 방법까지 배울 수 있는 기회를 놓치지 마세요!

4. 도메인에 따른
추천 사례 분석

여행 사이트, 뉴스 미디어 사이트 등 다양한 도메인에서 활용되는 추천 방식에 대해 케이스 스터디를 진행합니다. 이를 비즈니스 분야별로 어떻게 추천이 효과적으로 적용될 수 있는지 학습합니다. 나의 비즈니스에는 어떤 추천 방법을 적용할지 전문가와 함께 아이데이션할 수 있습니다!

실습 예시

User-based CF를 활용한 topK 영화추천

Matrix Factorization(SVD)을 활용한 영화추천

커리큘럼

Day 1. 추천 시스템 개요
회차 주제 실습
1 [추천시스템 소개]

추천시스템이 무엇인지 알아보고 추천시스템은 어떻게 설계해야하는지 아키텍처를 살펴봅니다. 추천시스템을 구현하기 위한 다양한 접근법을 살펴봅니다. 가장 오래된 알고리즘인 CBF와 현재 가장 많이 사용되고 있는 CF 등 알고리즘에 대한 부분과 Target별 추천방법, Rating에 대한 개념 등을 알아봅니다.
[실습 환경 구축]

■ Python 설치
■ Jupyter Notebook 설치
■ 실습 데이터 다운로드
■ Pandas를 이용한 데이터 분석 기초
■ 성능 평가 실습
■ 추천시스템이란 무엇인가?
■ 추천시스템의 아키텍처
■ 다양한 추천시스템의 분류
- 추천 대상에 따른 분류 : Best / Related / Personalized Recommendation
- Model에 따른 분류 : CBF(Content-Based Filtering) / CF(Collaborative Filtering) / Hybrid(CBF와 CF의 조합)
* 각 Model의 장단점 비교 (예: cold start 문제)
- 목적에 따른 분류 : Rating Prediction, Top-K Recommendation
- Data의 종류에 따른 분류 : Explicit/Implicit Feedback
[추천시스템 성능평가]

구현된 추천시스템이 추천을 얼마나 잘하는지, 성능을 평가하는 방법을 배웁니다.
추천시스템에서는 Rating 예측 오차를 측정하는 척도(MAE와 RMSE)와 추천 순위에 대한 평가방법을 이해합니다.
■ Rating Prediction: MAE, RMSE
■ Top-K Prediction: Precision@K
Day 2. 평점 예측을 이용한 영화 추천
회차 주제 실습
2 [추천시스템 구현에 필요한 수학적 이해]

추천시스템 알고리즘을 이해하기 위한 수학적 이론들을 살펴봅니다. 사용자 특성이나 상품에 대한 특성을 벡터로 표현하는 법을 배웁니다. 각각의 특성들이 얼마나 비슷한지에 대한 유사도(Similarity) 및 거리(Distance)에 대해 이해합니다. Content-based 알고리즘에서 문서를 수치화 하는데 사용하는 TF-IDF에 대해 배웁니다.
[영화 추천 실습]

■ 유사도 계산
- Cosine
- Pearson
- BM25


■ User Profile based CBF 알고리즘을 이용한
영화 추천시스템 구현

■ CF 실습
- Item-based CF
- User-based CF
■ Vector Representation
■ TF-IDF(Term Frequency - Inverse Document Frequency)
■ Distance/Similarity
[사용자 프로필 기반 CBF 알고리즘을 이용한 영화 추천시스템 구현]

영화 추천시스템 구현을 통해 CBF 알고리즘을 적용하는 방법을 배웁니다. 데이터셋으로 사용되는 MovieLens 데이터가 어떤 특성을 갖고 있는지 살펴보고 주어진 데이터에 알고리즘을 적용하기 위해 고려해야할 사항들에 대해 이해합니다.
■ MovieLens 데이터셋 살펴보기
■ 평점 예측을 이용한 영화 추천시스템 : User Profile based CBF
[CF 알고리즘을 이용한 영화 추천시스템 구현]

CF 알고리즘으로 영화 추천시스템을 구현해봅니다. 상품 기반 CF 알고리즘과 사용자 기반 CF 알고리즘을 어떻게 적용하는지, CBF 알고리즘과의 차이점을 무엇인지 이해합니다.
■ Item-based CF
■ User-based CF
Day 3. 트랜잭션 데이터 기반

e-commerce 상품 추천
회차 주제 실습
3 [쇼핑몰 상품 추천시스템 구현]

쇼핑몰에서 상품을 추천할 때 사용되는 3가지 접근법에 대해 이해합니다. 정제되지 않은 e-commerce 트랜잭션 데이터의 특성을 살펴보고 적용할 알고리즘에 따라 전처리를 어떻게 해야하는지 살펴봅니다. 이를 바탕으로 3가지 상품 추천시스템을 구현해봅니다.
[쇼핑몰 상품 추천]

■ DB 설치(PostgreSQL) 및 데이터 로딩
■ 데이터 전처리
■ Best Product Recommendation
■ Related Product Recommendation
■ Personalized Product Recommendation
■ e-commerce 데이터셋 살펴보기
■ Recommendation with Transaction Data
- Best Product Recommendation
- Related Product Recommendation
- Personalized Product Recommendation
Day 4. 고급 추천시스템 및 추천 사례
회차 주제 실습
4 [고급 알고리즘을 이용한 추천시스템 구현]

일반적으로 사용되는 메모리 기반 알고리즘이 아닌 모델 기반 알고리즘들을 배웁니다. 머신러닝을 기반으로 하는 CBF와 data dimensionality 문제를 해결하기 위해 등장한 MF(Matrix Factorization)에 대해 배웁니다. 추천의 정확도와 다양성을 향상시키기 위한 고도화 방법을 이해합니다.
[ML 기반 추천 실습]

■ Regression Model based CBF
■ Matrix Factorization
■ Machine Learning Model based CBF
■ Matrix Factorization
■ Increasing Diversity
■ Avoiding Monotony
■ Personalized PageRank
[도메인에 따른 추천 사례 분석]
※ 요청 시 수강생 사례 분석 가능

다양한 도메인에서 활용되는 추천 방식을 몇몇 사례를 통해서 알아보고 도메인에 따라 어떻게 추천이 효과적으로 적용될 수 있는지 학습한다.
■ 여행 사이트에서의 추천
■ 오프라인 연계 추천
■ 뉴스 미디어 추천

강사 소개

강사사진_이동주_crop

레코벨 이동주 본부장

[ 현재 업무 ]
● 검색 광고 솔루션 개발 (Keyword7)
● 광고 서버 개발 (Band)
● DMP (Data Management Platform) 개발
● DSP (Demand Side Platform) 개발


[ 약력 ]
● 서울대학교 응용생물화학부 학사 (1998 ~ 2003)
● 서울대학교 컴퓨터 공학부 박사 (2003 ~ 2011)
http://ids.snu.ac.kr/site/members/A_Dongjoo_Lee.html
● 삼성전자 소프트웨어 센터, 책임 연구원 (2011 ~ 2015)
● 옐로익스체인지, 개발 팀장 (2015 ~ 2017)
● 옐로 디지털 마케팅, YDM Labs 본부장 (2017 ~ )
● 레코벨(舊 옐로 디지털 마케팅, YDM Labs) 본부장 (2017 ~ )

pjw

Hashed, Parnter 박진우

[ 현재 업무 ]
● 다수의 e-Commerce 고객사를 위한 추천 솔루션 개발 총괄
● 클라우드 기반 데이터 수집 컨설팅
● 데이터 분석 / 컨설팅

[ 약력 ]
● 한국과학기술원 전기및전자공학부 학사 (2005 ~2014)
● Future Communication IC, 연구원 (2009 ~ 2013)
● Looket CTO (2013 ~ 2015)
● 레코벨, 개발 본부장 (2016 ~ )
● Hashed(www.hashed.com), Partner (2017 ~ )

rec

레코벨 연종흠 책임연구원

[ 현재 업무 ]
● 추천 솔루션 개발
● 데이터 분석


[ 약력 ]
● 서울대학교 컴퓨터공학부 학사 (2003-2008)
● 서울대학교 컴퓨터공학부 박사 (2008-2017)
● 레코벨, 책임 연구원 (2017-)

강사 인터뷰

추천 시스템을 가지고 단독의 서비스를 제공하시기보다는 기존에 가지고 있는 서비스에 추천 시스템을 적용해서 Value를 더하시려는 분들이 수강하시면 가장 좋을 것 같습니다. 배경 지식 측면에서는 파이썬 활용 경험이 있으시고, 학부 수준의 선형대수에 대한 이해를 가지셔야 이 Workshop의 내용을 충분히 소화하실 수 있을 것입니다.
(중략)
추천 알고리즘을 얼마나 정확하게 구현하는가’보다는 사용자에게 어떠한 UX를 제공하고, 어떠한 추천 결과를 어떤 식으로 보여줄지와 같은 서비스의 전체적인 부분을 구상하는 것이 더 중요한 부분일 것 같습니다. 이런 부분은 단순히 이론 공부만으로는 습득할 수 없는 부분이기 때문에 이번 Workshop이 저희가 가진 지식과 경험들을 충분히 공유하고 함께 고민하는 장이 되었으면 합니다.

수강 대상

추천시스템의 이론부터 구현까지 체계적으로 학습하고 싶은 분

고객 경험을 향상시키기 위해 추천 시스템을 고도화하고 싶은 분

워크샵 개요

본 워크샵을 등록하시기 전에 아래 사항을 체크해주세요!

– 프로그래밍 경험 : 본 강의를 수강하기 위해서는 파이썬과 SQL을 사용해본 경험이 있어야 합니다. 본 강의에서 다루는 주제는 파이썬이나 SQL에 대한 사용법이 아니라, 파이썬이나 SQL을 도구로 사용하여 추천시스템을 구현하는 것입니다.
– 사전 지식 : 추천시스템의 알고리즘들을 이해하기 위해서는 Euclidean 공간, 벡터의 개념, 벡터의 내적 연산(inner product), 매트릭스, 매트릭스의 곱 연산과 같은 선형대수(Linear Algebra)에 대한 기본지식이 필요합니다. 이는 추천시스템 알고리즘들이 선형대수에 대한 이해를 필요로 하는 기계학습(머신러닝)에 근간을 두고 있기 때문입니다.

위와 같은 사전 지식을 가진 분들에게 본 워크샵을 추천드립니다. 자세한 내용은 담당 매니저에게 문의해주세요.

파이썬으로 배우는 추천시스템 Workshop
기 간 2018년 1월 11일 ~ 2월 1일 (총 4주)
일 정 매주 목요일 19:30 ~ 22:30
(주 1회, 회 당 3시간)
준비물 개인 노트북 사용 권장
(최소 RAM 4GB, 8GB 이상 권장)
장 소 패스트캠퍼스 강의장
담당자 코스매니저 강호준 02-517-0697
help-ds@fastcampus.co.kr

본 워크샵은 조기마감되었습니다. 출시알림을 신청해주시면, 다음 기수 모집 시 가장 먼저 알려드립니다. 감사합니다.