머신 러닝 & AI 로 추천 시스템 구축하기를 선택해야 하는 이유
이 강의에서 neighborhood-based 협업 필터링을 기반으로 이미 시도된 진정한 추천 알고리즘을 다룰 것이고, 행렬 분해와 인공 신경망을 사용한 딥 러닝을 포함한, 보다 현대적인 기술까지 연구할 것입니다. 그 과정에서 이러한 알고리즘을 실제 데이터와 함께 대규모로 적용할 때 직면하게 될 실제 문제들을 Frank의 광범위한 업계 경험을 통해 보다 재미있고 쉽게 이해하게 될 것입니다.
하지만 추천 시스템은 굉장히 복잡합니다. 만약 코드만 배우는 수준으로 생각 하신다면 다시 한번 생각 하시길 바랍니다. 추천 시스템을 구축하는 방법에 대한 정확한 레시피 대신 여러분은 언제, 어떤 알고리즘을 적용 해야 하는지 습득해야 합니다. 물론, 이미 코딩을 하는 법은 알고 계시리라 믿습니다. :)
이 강의는 굉장한 실습 위주로 되어 있으며, 강의를 통해 자신 만의 프레임워크를 개발하여 많은 추천 알고리즘들을 결합하고 평가하게 될 것이며, TensorFlow을 사용 하여 자신 만의 신경을 구축하게 될 것입니다. 또한, 실제 사용자들이 사용하는 실제 영화 등급 추천 시스템을 구축 하게 될 것입니다.
이 포괄적인 강의는 협업 필터링의 초기부터 심층 신경망의 최첨단 응용 프로그램 및 모든 개별 사용자에게 최고의 항목을 추천하기 위한 최신 머신 러닝 기술에 이르기까지 모든 과정을 안내합니다.
이 강의의 코딩 실습은 파이썬 프로그래밍 언어를 사용합니다. Python을 처음 사용하는 분들을 위해 Python에 대한 소개 강의가 포함되어 있지만, 전체적인 강의 내용을 성공적으로 다루려면 사전 프로그래밍 경험이 필요합니다. 인공 지능 분야가 처음인 분들을 위해 딥 러닝에 대한 간략한 소개 강의도 포함되고 있지만 새로운 컴퓨터 알고리즘을 이해할 수 있어야 합니다.
머신 러닝 & AI 로 추천 시스템 구축하기는 이렇게 진행 됩니다
추천 엔진 제작
평가 추천 시스템
항목 속성을 사용한 콘텐츠 기반 필터링
사용자 기반, 아이템 기반 및 KNN CF를 사용한 Neighborhood-based 협업 필터링
행렬분해 그리고 SVD를 포함한 모델 기반 매소드
딥 러닝, AI 및 인공 신경망을 추천 시스템에 적용
TensorFlow (TFRS) 와 Amazon Personalize의 최신 프레임워크 사용
재귀 신경망을 이용한 세션 기반 추천
Apache Spark 머신 러닝, Amazon DSSTNE 딥러닝, 그리고 Factorization Machines을 사용한 AWS SageMaker을 사용 하여 대규모 데이터 세트로 확장
추천 시스템의 현실 문제와 솔루션
유튜브와 넷플릭스의 사례 연구
하이브리드 구축, 앙상블 추천 시스템
추천 시스템 분야의 최신 연구를 다루는 "Bleeding edge alerts"
전세계 50만 수강생 보유 TOP강사! Frank Kane의 한마디
한국 수강생 여러분들을 위한 새로운 소식을 전해드립니다!
이 강의는 TensorFlow Recommenders(TFRS) 및 권장 사항을 위한 Generative Adversarial Networks(GAN)로 업데이트 되었습니다!
이 분야의 개척자이자 Amazon의 엔지니어에게로부터 머신 러닝 추천 시스템 구축하는 방법을 배워보세요. Frank Kane은 Amazon에서 9년 넘게 근무하면서 Amazon의 개인화 제품 추천 기술을 관리하고 또한 개발했습니다.
이러한 머신 러닝 알고리즘이 사용자의 고유한 관심사를 학습한 뒤, 각 개인에게 가장 적합한 제품이나 콘텐츠를 보여주기 때문에 Netflix 홈페이지, YouTube 및 Amazon 등 어디에서나 자동화된 추천을 볼 수 있습니다. 이러한 기술은 현재 가장 크고 권위 있는 Tech 회사의 고용주들이 중점적으로 고려 하는 부분이며 이 기술을 이해하는 여러분은 그들에게 굉장히 값진 사람이 될 것입니다.
여러분이 더 잘 따라오실 수 있도록 정교하게 번역된 한글 자막이 포함 되어 있습니다.
강의를 들으시고 강의와 관련하여 궁금하신 점은 무엇이든 Q&A에 남기실 수 있지만, 꼭 영어로 남겨주세요. 그래야 답변을 드릴 수 있습니다. :)
곧 강의에서 뵙기를 바랍니다!
-Frank
