Python을 이용한 개인화 추천시스템 | 추천알고리즘 | 추천인공지능 대시보드

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