|
|
|
|
|
|
|
¸ñÂ÷ |
|
Chapter 1 Ãßõ ½Ã½ºÅÛ ¼Ò°³
1.1 ÁÖ¿ä Ãßõ ¾Ë°í¸®Áò
1.2 Ãßõ ½Ã½ºÅÛ Àû¿ë »ç·Ê
Chapter 2 ±âº»ÀûÀÎ Ãßõ ½Ã½ºÅÛ
2.1 µ¥ÀÌÅÍ Àбâ
2.2 ÀαâÁ¦Ç° ¹æ½Ä
2.3 Ãßõ ½Ã½ºÅÛÀÇ Á¤È®µµ ÃøÁ¤
2.4 »ç¿ëÀÚ Áý´Üº° Ãßõ
2.5 ³»¿ë ±â¹Ý ÇÊÅ͸µ Ãßõ
Chapter 3 Çù¾÷ ÇÊÅ͸µ Ãßõ ½Ã½ºÅÛ
3.1 Çù¾÷ ÇÊÅ͸µÀÇ ¿ø¸®
3.2 À¯»çµµÁöÇ¥
3.3 ±âº» CF ¾Ë°í¸®Áò
3.4 ÀÌ¿ôÀ» °í·ÁÇÑ CF
3.5 ÃÖÀûÀÇ ÀÌ¿ô Å©±â °áÁ¤
3.6 »ç¿ëÀÚÀÇ Æò°¡°æÇâÀ» °í·ÁÇÑ CF
3.7 ±× ¿ÜÀÇ CF Á¤È®µµ °³¼± ¹æ¹ý
3.8 »ç¿ëÀÚ ±â¹Ý CF¿Í ¾ÆÀÌÅÛ ±â¹Ý CF
3.9 Ãßõ ½Ã½ºÅÛÀÇ ¼º°úÃøÁ¤ÁöÇ¥
Chapter 4 Matrix Factorization(MF) ±â¹Ý Ãßõ
4.1 Matrix Factorization(MF) ¹æ½ÄÀÇ ¿ø¸®
4.2 SGD(Stochastic Gradient Descent)¸¦ »ç¿ëÇÑ MF ¾Ë°í¸®Áò
4.3 SGD¸¦ »ç¿ëÇÑ MF ±âº» ¾Ë°í¸®Áò
4.4 train/test ºÐ¸® MF ¾Ë°í¸®Áò
4.5 MFÀÇ ÃÖÀû ÆĶó¹ÌÅÍ Ã£±â
4.6 MF¿Í SVD
Chapter 5 Factorization Machines(FM)
5.1 FMÀÇ Ç¥ÁؽÄ
5.2 FM ½ÄÀÇ º¯Çü
5.3 FMÀÇ ÇнÀ
5.4 FMÀÇ µ¥ÀÌÅÍ º¯Çü
5.5 PythonÀ¸·Î FMÀÇ ±¸Çö
Chapter 6 Surprise ÆÐÅ°Áö »ç¿ë
6.1 Surprise ±âº» È°¿ë ¹æ¹ý
6.2 ¾Ë°í¸®Áò ºñ±³
6.3 ¾Ë°í¸®Áò ¿É¼Ç ÁöÁ¤
6.4 ´Ù¾çÇÑ Á¶°ÇÀÇ ºñ±³
6.5 ¿ÜºÎ µ¥ÀÌÅÍ »ç¿ë
Chapter 7 µö·¯´×À» »ç¿ëÇÑ Ãßõ ½Ã½ºÅÛ
7.1 Matrix Factorization(MF)À» ½Å°æ¸ÁÀ¸·Î º¯È¯Çϱâ
7.2 Keras·Î MF ±¸ÇöÇϱâ
7.3 µö·¯´×À» Àû¿ëÇÑ Ãßõ ½Ã½ºÅÛ
7.4 µö·¯´× ¸ðµ¨¿¡ º¯¼ö Ãß°¡Çϱâ
Chapter 8 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛ
8.1 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛÀÇ ÀåÁ¡
8.2 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛÀÇ ¿ø¸®
8.3 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛ(CF¿Í MFÀÇ °áÇÕ)
Chapter 9 ´ë±Ô¸ð µ¥ÀÌÅÍÀÇ Ã³¸®¸¦ À§ÇÑ Sparse matrix »ç¿ë
9.1 Sparse matrixÀÇ °³³ä°ú Python¿¡¼ÀÇ »ç¿ë
9.2 Sparse matrix¸¦ Ãßõ ¾Ë°í¸®Áò¿¡ Àû¿ëÇϱâ
Chapter 10 Ãßõ ½Ã½ºÅÛ ±¸Ãà¿¡¼ÀÇ À̽´
10.1 ½Å±Ô »ç¿ëÀÚ¿Í ¾ÆÀÌÅÛ(Cold start problem)
10.2 È®À强(Scalability)
10.3 ÃßõÀÇ È°¿ë(Presentation)
10.4 ÀÌÁø¼ö µ¥ÀÌÅÍ(Binary data)ÀÇ »ç¿ë
10.5 »ç¿ëÀÚÀÇ °£Á¢ Æò°¡ µ¥ÀÌÅÍ(Indirect evaluation data) È®º¸
Âü°í¹®Çå
ã¾Æº¸±â |
|
º»¹®Áß¿¡¼ |
|
[ÀúÀÚ ¼¹®]
°³ÀÎÈ ÃßõÀº °¢ °³ÀÎÀÇ °ü½É»ç³ª ¼±È£µµ¸¦ ºÐ¼®Çؼ ±×¿¡ ¸Â´Â Á¤º¸³ª Á¦Ç°À» ÃßõÇØ ÁÖ´Â °ÍÀ» ¸»ÇÑ´Ù. ÃÖ±Ù °í°´¿¡ ´ëÇØ ÀÚ¼¼ÇÑ Á¤º¸¸¦ ¼öÁýÇÒ ¼ö ÀÖ°Ô µÇ¸é¼ °³ÀÎÈ ÃßõÀÌ Á¡Á¡ ´õ ³Î¸® ¾²ÀÌ°í, ¶ÇÇÑ ±â¾÷ÀÇ »õ·Î¿î ¼ºñ½º °³¹ß¿¡¼ ÃßõÀÌ Áß¿äÇÑ ±âº» ±â¼úÀÌ µÇ°í ÀÖ´Ù. °³ÀÎÈ Ãßõ ±â¼úÀº ±âº»ÀûÀ¸·Î´Â ¾Æ¸¶Á¸À̳ª ³ÝÇø¯½ºÃ³·³ Ãßõ ¼ºñ½º¸¦ Á¦°øÇÏ´Â µ¥ »ç¿ëµÇÁö¸¸, °³ÀÎÀÇ £¿£¿ÃãÇü ¼ºñ½º°¡ ÇÊ¿äÇÑ ±¤°í³ª À¥ÆäÀÌÁö ±¸¼º µî ´Ù¾çÇÑ ºÐ¾ß¿¡ Àû¿ëÀÌ °¡´ÉÇÏ´Ù.
ÀÌ Ã¥ÀÇ °¡Àå Áß¿äÇÑ ¸ñÀûÀº µ¶ÀÚµéÀÌ ÁÖ¿ä °³ÀÎÈ Ãßõ ¾Ë°í¸®ÁòÀÇ ÀÛµ¿¿ø¸®¸¦ ÀÌÇØÇϵµ·Ï ÇÏ´Â °ÍÀÌ´Ù. À̸¦ À§ÇØ ÀÌ Ã¥¿¡¼´Â °³ÀÎÈ Ãßõ ±â¼úÀÇ Àü¹ÝÀûÀÎ ³»¿ë, ±×Áß¿¡¼µµ ƯÈ÷ ¿¬¼Ó°ªÀ» »ç¿ëÇÏ´Â °³ÀÎÈ Ãßõ ±â¼úÀ» ´Ù·é´Ù. ±¸Ã¼ÀûÀ¸·Î´Â Çù¾÷ ÇÊÅ͸µ(collaborative filtering), Çà·Ä¿äÀÎÈ(matrix factorization), Factorization Machines(FM), ±×¸®°í µö·¯´×(deep learning) Ãßõ ¾Ë°í¸®Áò µî¿¡ ´ëÇØ ´Ù·é´Ù. ¶ÇÇÑ ´Ù¼öÀÇ Ãßõ ¾Ë°í¸®ÁòÀ» °áÇÕÇÑ ÇÏÀ̺긮µå(hybrid) Ãßõ ½Ã½ºÅÛ µî¿¡ ´ëÇؼµµ ¼³¸íÇÑ´Ù.
ÇÏÁö¸¸ ÀÌ Ã¥¿¡¼´Â °³ÀÎÈ Ãßõ ±â¼ú¿¡ ´ëÇØ ¸ðµç °ÍÀ» ´Ù·çÁö´Â ¾Ê´Â´Ù. ½ÇÁ¦ °³ÀÎÈ Ãßõ ½Ã½ºÅÛÀ» ±¸ÇöÇϱâ À§Çؼ´Â ¾Ë°í¸®Áò¿¡ ´ëÇÑ ÀÌÇØ¿¡ ´õÇÏ¿© µ¥ÀÌÅÍ Àü󸮳ª ´ë¿ë·® µ¥ÀÌÅÍ Ã³¸®¿¡ ´ëÇÑ ÀÌÇØ°¡ ÇÊ¿äÇÏÁö¸¸, ÀÌµé ³»¿ëÀº ÀÌ Ã¥¿¡¼ ´Ù·çÁö ¾Ê´Â´Ù. ÀÌÁø°ª(0 ȤÀº 1)À» À§ÇÑ Ãßõ ¾Ë°í¸®Áò ¶ÇÇÑ ´Ù·çÁö ¾Ê´Â´Ù.
ÀÌ Ã¥¿¡¼´Â °¢ ¾Ë°í¸®Áòº°·Î ±âº» ¿ø¸®¿¡ ´ëÇÑ ¼³¸í°ú °¢ ¾Ë°í¸®ÁòÀÌ PythonÀ¸·Î ¾î¶»°Ô ±¸ÇöµÉ ¼ö ÀÖ´ÂÁö¸¦ ¿¹¸¦ ÅëÇؼ º¸¿©ÁÖ°í ÀÖ´Ù. ÀÌ Ã¥Àº ¾Ë°í¸®ÁòÀ» ¼öÇÐÀûÀ¸·Î ¼³¸íÇÏ´Â °ÍÀÌ ÁÖ¸ñÀûÀÌ ¾Æ´Ï±â ¶§¹®¿¡ ¼ö½ÄÀº ¾Ë°í¸®ÁòÀ» ÀÌÇØÇÏ´Â µ¥ ²À ÇÊ¿äÇÑ Á¤µµ·Î¸¸ ÇÑÁ¤ÇÏ¿´´Ù. ¶ÇÇÑ µ¶ÀÚÀÇ ÀÌÇظ¦ µ½°í ½º½º·Î ½Ç½ÀÇÒ ±âȸ¸¦ ÁÖ±â À§Çؼ ¿¬½À¹®Á¦¸¦ Ãß°¡ÇÏ¿´´Ù.
ÀÌ Ã¥À» Àú¼úÇÏ¸é¼ ÄÄÇ»Åͳª ¼öÇп¡ ´ëÇÑ ±íÀº Áö½ÄÀÌ ¾ø´õ¶óµµ °³ÀÎÈ Ãßõ ¾Ë°í¸®ÁòÀÇ ÀÛµ¿¿ø¸®¸¦ Å« ¾î·Á¿ò ¾øÀÌ ÀÌÇØÇÒ ¼ö ÀÖµµ·Ï ±¸¼ºÇÏ·Á°í ³ë·ÂÇÏ¿´´Ù. ´Ù¸¸ PythonÀ» »ç¿ëÇÑ ÄÚµù ºÎºÐÀº Python¿¡ ´ëÇÑ ±âÃÊ Áö½ÄÀÌ ÀÖ´Ù´Â °¡Á¤ÇÏ¿¡ ¼³¸íÀ» ÇÏ°í ÀÖ´Ù. Áï PythonÀÇ ±âº» ¹®¹ýÀ̳ª Numpy, Pandas, Keras µî¿¡ ´ëÇÑ ±âÃÊÀûÀÎ ¼³¸íÀº »ý·«ÇÏ°í À̵éÀ» È°¿ëÇÑ ¾Ë°í¸®Áò ¼³¸í¿¡ ÃÊÁ¡À» ¸ÂÃß¾ú´Ù. ±×¸®°í ºÐ¼® ±â¹ý Áß¿¡¼´Â SGD(Stochastic Gradient Descent)°¡ Áß¿äÇÏ°Ô ¼³¸íÀÌ µÇ¹Ç·Î ÀÌ¿¡ ´ëÇÑ ±âº» Áö½Äµµ ÇÊ¿äÇÏ´Ù. ¸¸ÀÏ ÀÌ·± °Í¿¡ Àͼ÷ÇÏÁö ¾ÊÀº µ¶ÀÚµéÀº Python ±âº» ¹®¹ý°ú Numpy, Pandas, Keras, SGD µîÀ» ¸ÕÀú ÇнÀÇÏ°í ÀÌ Ã¥À» º¼ °ÍÀ» ±ÇÀåÇÑ´Ù.
ÀÌ Ã¥¿¡¼ »ç¿ëµÇ´Â ÄÚµå¿Í µ¥ÀÌÅÍ´Â µµ¼ÃâÆÇ Ã»¶÷ ȨÆäÀÌÁö ÀϹÝÀÚ·á½Ç(http://www.crbooks.co.kr)¿¡¼ ´Ù¿î¹ÞÀ» ¼ö ÀÖ´Ù.
º» Ã¥À» óÀ½ºÎÅÍ ³¡±îÁö ¼ø¼´ë·Î Âø½ÇÈ÷ µû¶ó°¡¸é °³ÀÎÈ Ãßõ ½Ã½ºÅÛÀÇ ´Ù¾çÇÑ ¾Ë°í¸®Áò¿¡ ´ëÇÑ ±âº»ÀûÀÎ ¿ø¸®¸¦ ÀÌÇØÇÒ ¼ö ÀÖÀ» °ÍÀ¸·Î »ý°¢ÇÑ´Ù. ÀÌ Ã¥ÀÌ Ãßõ ½Ã½ºÅÛÀ̳ª °³ÀÎÈ ½Ã½ºÅÛ ±¸Ãà¿¡ °ü½ÉÀÌ Àְųª °ü·ÃµÈ ¿¬±¸¸¦ ÇÏ´Â ºÐµé²² µµ¿òÀÌ µÇ¾úÀ¸¸é ÇÏ´Â ¹Ù¶÷ÀÌ´Ù. |
|
|
|
|
|
|
|
Ãâ°í¾È³» |
|
|
Ãâ°í¶õ ÀÎÅÍÆÄÅ© ¹°·ùâ°í¿¡¼ µµ¼°¡ Æ÷ÀåµÇ¾î ³ª°¡´Â ½ÃÁ¡À» ¸»Çϸç, ½ÇÁ¦ °í°´´Ô²²¼ ¼ö·ÉÇϽô ½Ã°£Àº »óÇ°Áغñ¿Ï·áÇØ Ãâ°íÇÑ ³¯Â¥ + Åùè»ç ¹è¼ÛÀÏÀÔ´Ï´Ù. |
|
ÀÎÅÍÆÄÅ© µµ¼´Â ¸ðµç »óÇ°ÀÇ Àç°í°¡ ÃæÁ·ÇÒ ½Ã¿¡ ÀÏ°ý Ãâ°í¸¦ ÇÕ´Ï´Ù. |
|
ÀϺΠÀç°í¿¡ ´ëÇÑ Ãâ°í°¡ ÇÊ¿äÇÒ ½Ã¿¡´Â ´ã´çÀÚ¿¡°Ô Á÷Á¢ ¿¬¶ôÇϽðųª, °í°´¼¾ÅÍ(°í°´¼¾ÅÍ(1577-2555)·Î ¿¬¶ôÁֽñ⠹ٶø´Ï´Ù. |
|
¹è¼Ûºñ ¾È³» |
|
|
ÀÎÅÍÆÄÅ© µµ¼ ´ë·®±¸¸Å´Â ¹è¼Û·á°¡ ¹«·áÀÔ´Ï´Ù. |
|
´Ü, 1°³ÀÇ »óÇ°À» ´Ù¼öÀÇ ¹è¼ÛÁö·Î ÀÏ°ý ¹ß¼Û½Ã¿¡´Â 1°³ÀÇ ¹è¼ÛÁö´ç 2,000¿øÀÇ ¹è¼Ûºñ°¡ ºÎ°úµË´Ï´Ù. |
¾Ë¾ÆµÎ¼¼¿ä! |
|
|
°í°´´Ô²²¼ ÁÖ¹®ÇϽŠµµ¼¶óµµ µµ¸Å»ó ¹× ÃâÆÇ»ç »çÁ¤¿¡ µû¶ó Ç°Àý/ÀýÆÇ µîÀÇ »çÀ¯·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù. |
|
Åùè»ç ¹è¼ÛÀÏÀÎ ¼¿ï ¹× ¼öµµ±ÇÀº 1~2ÀÏ, Áö¹æÀº 2~3ÀÏ, µµ¼, »ê°£, ±ººÎ´ë´Â 3ÀÏ ÀÌ»óÀÇ ½Ã°£ÀÌ ¼Ò¿äµË´Ï´Ù.
(´Ü, Åä/ÀÏ¿äÀÏ Á¦¿Ü) |
|
|
|
|
ÀÎÅÍÆÄÅ©µµ¼´Â °í°´´ÔÀÇ ´Ü¼ø º¯½É¿¡ ÀÇÇÑ ±³È¯°ú ¹ÝÇ°¿¡ µå´Â ºñ¿ëÀº °í°´´ÔÀÌ ÁöºÒÄÉ µË´Ï´Ù.
´Ü, »óÇ°À̳ª ¼ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯ ¹× ¹ÝÇ°Àº ¹«·á·Î ¹ÝÇ° µË´Ï´Ù.
±³È¯/¹ÝÇ°/º¸ÁõÁ¶°Ç ¹× Ç°Áúº¸Áõ ±âÁØÀº ¼ÒºñÀڱ⺻¹ý¿¡ µû¸¥ ¼ÒºñÀÚ ºÐÀï ÇØ°á ±âÁØ¿¡ µû¶ó ÇÇÇظ¦ º¸»ó ¹ÞÀ» ¼ö ÀÖ½À´Ï´Ù.
Á¤È®ÇÑ È¯ºÒ ¹æ¹ý ¹× ȯºÒÀÌ Áö¿¬µÉ °æ¿ì 1:1¹®ÀÇ °Ô½ÃÆÇ ¶Ç´Â °í°´¼¾ÅÍ(1577-2555)·Î ¿¬¶ô Áֽñ⠹ٶø´Ï´Ù.
¼ÒºñÀÚ ÇÇÇغ¸»óÀÇ ºÐÀïó¸® µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á±âÁØ(°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ µû¶ó ºñÇØ º¸»ó ¹ÞÀ» ¼ö ÀÖ½À´Ï´Ù.
|
±³È¯ ¹× ¹ÝÇ°ÀÌ °¡´ÉÇÑ °æ¿ì |
|
|
»óÇ°À» °ø±Þ ¹ÞÀ¸½Å ³¯·ÎºÎÅÍ 7ÀÏÀ̳» °¡´ÉÇÕ´Ï´Ù. |
|
°ø±Þ¹ÞÀ¸½Å »óÇ°ÀÇ ³»¿ëÀÌ Ç¥½Ã, ±¤°í ³»¿ë°ú ´Ù¸£°Å³ª ´Ù¸£°Ô ÀÌÇàµÈ °æ¿ì¿¡´Â °ø±Þ¹ÞÀº ³¯·ÎºÎÅÍ 3°³¿ùÀ̳», ±×»ç½ÇÀ» ¾Ë°Ô µÈ ³¯ ¶Ç´Â ¾Ë ¼ö ÀÖ¾ú´ø ³¯·ÎºÎÅÍ 30ÀÏÀ̳» °¡´ÉÇÕ´Ï´Ù. |
|
»óÇ°¿¡ ¾Æ¹«·± ÇÏÀÚ°¡ ¾ø´Â °æ¿ì ¼ÒºñÀÚÀÇ °í°´º¯½É¿¡ ÀÇÇÑ ±³È¯Àº »óÇ°ÀÇ Æ÷Àå»óÅ µîÀÌ ÀüÇô ¼Õ»óµÇÁö ¾ÊÀº °æ¿ì¿¡ ÇÑÇÏ¿© °¡´ÉÇÕ´Ï´Ù.
|
|
|
|
±³È¯ ¹× ¹ÝÇ°ÀÌ ºÒ°¡´ÉÇÑ °æ¿ì |
|
|
|
°í°´´ÔÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¸ê½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. (´Ü, »óÇ°ÀÇ ³»¿ëÀ» È®ÀÎÇϱâ À§ÇÏ¿© Æ÷Àå µîÀ» ÈѼÕÇÑ °æ¿ì´Â Á¦¿Ü) |
|
½Ã°£ÀÌ Áö³²¿¡ µû¶ó ÀçÆǸŰ¡ °ï¶õÇÒ Á¤µµ·Î ¹°Ç°ÀÇ °¡Ä¡°¡ ¶³¾îÁø °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
Æ÷Àå °³ºÀµÇ¾î »óÇ° °¡Ä¡°¡ ÈÑ¼ÕµÈ °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ¹ÝÇ° ȯºÒ |
|
|
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ´Ù¸¥ Áö¿ªÀÇ ¹ÝÇ°À» µ¿½Ã¿¡ ÁøÇàÇÒ ¼ö ¾ø½À´Ï´Ù. |
|
1°³ Áö¿ªÀÇ ¹ÝÇ°ÀÌ ¿Ï·áµÈ ÈÄ ´Ù¸¥ Áö¿ª ¹ÝÇ°À» ÁøÇàÇÒ ¼ö ÀÖÀ¸¹Ç·Î, ÀÌÁ¡ ¾çÇØÇØ Áֽñ⠹ٶø´Ï´Ù. |
|
|
|
|
|
|