[개념부터 실습까지] 추천 시스템 입문편

[개념부터 실습까지] 추천 시스템 입문편

49,500원
지식공유자 · 데이터리안
47회 수업· 총 7시간 31분수업
평생 무제한 시청
수료증 발급 강의
수강 난이도 초급

이 강의는

추천 시스템의 기초 이론을 배우고, 영화 데이터 분석을 함께 실습해 봅니다.

이런 걸 배울 수 있어요

  • 추천 시스템 입문하기
  • 영화 추천 시스템 만들기

추천 시스템이 뭔지 궁금한데, 영어로 된 자료는 알쏭달쏭하다면?
온라인 입문자를 위한 추천 시스템 입문편 강의입니다.

강의 소개 🐤

추천 시스템이 뭔지 궁금한데, 영어로 된 자료는 알쏭달쏭하고...
입문자 여러분들을 위한 친절한 강의를 만들었습니다.

2019년 <데잇걸즈> 과정의 추천 시스템 특강을 온라인화 하자는 취지에서 시작해 탐험적 데이터 분석, Content-Based 추천 등 내용을 보강하다보니 입문편, 심화편으로 나누어 기획하게 된 추천 시스템 강의입니다. 입문편, 심화편의 반응이 좋으면 [개념부터 실습까지] 추천 시스템 딥러닝편 등 더욱 다양한 방법론들로 시리즈를 이어나갈 계획입니다.

다들 영화 좋아하시나요? 📽️

저는 참 좋아하는데요. 다른 데이터가 아니고, 영화 데이터를 분석했기 때문에 강의를 하는 게 즐거웠어요.
나와 친구의 데이터를 MovieLens 데이터셋에 녹여보고, 스스로도 몰랐던 취향을 발견하게 될 거예요.

이런 것들을 하게 될 거예요. 🙌

  1   파이썬으로 영화 데이터를 분석하고,
  2   각 사용자가 특정 영화에 어떻게 평점을 줄 것인지 예측하는 문제를 풀게 될 겁니다.

이 과정에서 Pandas 라는 데이터 분석 라이브러리와, 머신러닝 라이브러리인 Scikit-Learn, 그리고 시각화 라이브러리인 Seaborn을 활용할 거예요.
라이브러리 활용에 대해서는 걱정하지 마세요. 파이썬 기초 문법만 알면 나머지는 차근차근 학습하며 강의를 따라올 수 있도록 안내합니다.

강의 관련 예상 질문 🙋🏻‍♂️

Q. 왜 추천 시스템을 배워야 하나요?
우리가 사용하는 서비스 어디에나 추천 시스템이 있습니다. 뉴스 기사를 보여주는 화면에서도, 동영상 컨텐츠를 보는 앱에서도, 쇼핑 서비스에서도, 심지어 매일 받는 핸드폰 PUSH에까지 추천 시스템의 철학과 방법론이 녹아있습니다. 새로운 가능성의 세계에 오신 것을 환영해요.

Q. 비전공자도 들을 수 있나요?
A. 파이썬의 리스트, 딕셔너리, 반복문, 조건문에 대한 학습 경험이 있다면 충분히 들으실 수 있습니다.

Q. 이 강의만의 특별한 장점이 있을까요?
A. 추천 시스템은 알고리즘 만으로 성과를 낼 수 있는 분야라기보다는 내 서비스를 사용하는 유저와 아이템에 대한 정확한 이해를 바탕으로 성능을 낼 수 있는 분야입니다. (사실 데이터를 사용하는 모든 분야가 그렇습니다.) 그래서 우리 강의는 추천 알고리즘 뿐 아니라, 유저들의 평점 패턴을 파악하는 등 데이터를 분석하는 과정 전체를 경험하실 수 있도록 기획되었습니다. 알고리즘을 구현하는 데에 필요한 머신러닝 모델에 대해서도 기초 개념부터 배울 수 있으니, 머신러닝에 입문하고 싶으신 분들에게도 추천해요.

데이터리안 팀의
지난 강의가 궁금하다면? 🏃

백문이불여일타! 데이터 분석을 위한 SQL 시리즈 로드맵
데이터 분석 필수 스킬 SQL을 학습하세요!

도움 되는 분들

  • 추천 알고리즘에 대해 흥미가 있는 분
  • 영화를 좋아하시는 분
  • 추천 서비스를 기획해야 하는 기획자
  • 머신러닝 입문자

선수 지식

  • Python 기초

교육과정

모두 펼치기 47 강의 7시간 31분
섹션 1. 추천 시스템이란?
3 강의 31 : 08
추천 시스템이란?
12 : 11
추천 알고리즘의 종류
09 : 51
추천 알고리즘 평가하기
09 : 06
섹션 2. 데이터 읽고 기초 분석하기
12 강의 118 : 41
분석 환경 세팅
11 : 16
주피터 노트북
08 : 30
영화 데이터 읽어오기
09 : 45
[영화 메타 데이터 분석] 개봉연도 분석
13 : 45
[영화 메타 데이터 분석] 개봉연도 시각화
08 : 21
[영화 메타 데이터 분석] 장르 분석
07 : 57
[영화 메타 데이터 분석] 텍스트 데이터를 숫자형으로 변환
09 : 08
[영화 메타 데이터 분석] 장르 간 관계 찾기와 시각화
07 : 48
[영화 평점 데이터 분석] 기초 통계
07 : 34
[영화 평점 데이터 분석] 평점의 분포
10 : 40
[영화 평점 데이터 분석] 유저별 평점 패턴 분석
10 : 27
[영화 평점 데이터 분석] 나의 평점 데이터 기록
13 : 30
섹션 3. Pandas 보충강의
3 강의 32 : 56
[보충강의] 정규표현식으로 문자열 다루기
09 : 23
[보충강의] Pandas의 apply 함수
13 : 19
[보충강의] Pandas의 loc 정확하게 사용하기
10 : 14
섹션 4. 아주 간단한 추천 시스템 만들기
6 강의 55 : 47
평가 지표 RMSE
12 : 20
학습 데이터와 평가 데이터
05 : 22
가장 간단한 예측하기
12 : 57
숙제 풀이 (1)
05 : 33
숙제 풀이 (2)
12 : 10
숙제 풀이 (3)
07 : 25
섹션 5. Content-Based Recommendation 1
7 강의 53 : 50
[아이디어 설명] 유저 프로필 구성
06 : 54
[아이디어 설명] 영화 평점 예측
07 : 51
[아이디어 설명] Cold-Start 문제를 해결하려면?
03 : 32
[파이썬 구현] 데이터 전처리
10 : 04
[파이썬 구현] 유저 프로필 만들기
08 : 32
[파이썬 구현] 샘플 유저의 평점 예측
05 : 38
[파이썬 구현] 전체 유저의 평점 예측과 모델 평가
11 : 19
섹션 6. Content-Based Recommendation 2
9 강의 95 : 45
[아이디어 설명] Linear Model로 유저 프로필 구성
09 : 41
[아이디어 설명] Linear Model이란?
07 : 36
[파이썬 구현] 샘플 유저의 평점을 학습 데이터와 평가 데이터로 나누기
10 : 14
[파이썬 구현] 샘플 유저의 프로필 만들기
09 : 52
[파이썬 구현] 전체 유저의 프로필 만들기
11 : 32
[파이썬 구현] 전체 유저의 평점 예측과 모델 평가
11 : 23
[파이썬 구현] 오버피팅 (Overfitting)
09 : 12
[아이디어 설명] 정규화 (Regularization)
12 : 24
[파이썬 구현] Lasso 모델 적용
13 : 51
섹션 7. 나와 친구를 위한 영화 추천
4 강의 46 : 40
나의 데이터 EDA
09 : 30
나와 친구들의 데이터 EDA
11 : 33
Lasso 하이퍼파라미터 튜닝
12 : 43
나에게 어떤 영화들이 추천되었을까?
12 : 54
섹션 8. 마무리
1 강의 08 : 23
마무리
08 : 23

공개 일자

2020년 5월 13일 (마지막 업데이트 일자 : 2020년 5월 13일)

수강 후기

아직 평가를 충분히 받지 못한 강의 입니다.
모두에게 도움이 되는 수강평의 주인공이 되어주세요!😄️️

지식공유자 되기
많은 사람들에게 배움의 기회를 주고,
경제적 보상을 받아보세요.
지식공유참여
기업 교육을 위한 인프런
“인프런 비즈니스” 를 통해 모든 팀원이 인프런의 강의들을
자유롭게 학습하는 환경을 제공하세요.
인프런 비즈니스