패스트캠퍼스 환급챌린지 4일차 미션 (2월 4일) : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기

강의 내용 Review

---

📍배운내용📍

• 협업 필터링

👉강의내용👈

협업 필터링

• 컨텐츠 기반 필터링과 달리 다른 사람들이 어떤 제품을 선호했는지 반영 
• 너가 좋아했던 그것을 찾던 사람들이 이것도 좋아하던데?
• 아이템 기반 협업 필터링
• 협업 필터링의 단어 유래: 다량의 메일 리트스 중 메일을 걸러내는 작업, 유저들의 반응을 수집해 협업적으로 걸러냄 (다른 유저의 반응을 기반으로 해서)
• 유저의 반응이 피처처럼 작용해서 직관적으로 받아들이기 어려움 
• 나랑 비슷한 애들을 1) 유저의 선호 패턴을 수치로 기록: 피처와 사람과의 유사도를 구함
• 하이브리드 필터링 : 협업 필터링 + 컨텐츠 기반 필터링 
• 앙상블로 다양한 모델을 기반으로 모아 추천및 예측을 함 
• 조합하는 방식이 다양하게 있음 
• 1) 단순 가중 앙상블 : 가장 단순 접근 법, 여러 모델의 결과를 평균, 더 좋은 성능을 보이는 모델에게 가중치를 줌
• 2) 스위칭 : 이것을 썼다가 저것을 썼다가 왔다갔다 하는 방식 
• 3) 피처조합 방식: 유저 프로필이 들어오면 보조모델이 작동, 추천 모델에 들어가고 추천 
• 장점: 좋은 성능, 두모델을 조합함으로 강점 활용하고 약점 상쇄,  추천 범위와 다양성 증가 
• 단점: 복잡도 증가 
• 추천의 두가지 큰 접근 : 컨텐츠 기반 필터링(아이템 파악), 협업필터링(유저 파악)
• 제품에 대한 선호도 행렬을구축하고 새로운 사용자에 대해 추천하는 방법은: 유저들의 상호작용 메트릭을 결합해서 구함 
• 유저-아이템간의 관계를 학습할때마다 행렬을 생성하는 것은 자원 사용 많음 
• 메모리 기반 추천과 모델 기반 추천 
• 1) 메모리 가반 추천: 추천할때마다 연산하여 제공, 구현은 쉽지만 시간과 성능이 제한됨
• 2) 모델기반 추천: 많은 데이터로  학습한 모델을 통해 효율적인 추천 제공, 여러 피처로부터 패턴을 학습하기 때문에 더 좋은 성능 보임 

머신러닝 기반 추천 알고리즘

1. 데이터 기반 모델 학습의 직관 

• 머신러닝: 사람의 일을 기계에게 시켜보자! 판단 
• ex) 강아지 고양이 구분 
• 규칙 기반으로 분류하기는 어려움 
• 전통적인 프로그래밍과 머신러닝의 차이
• 인풋이 있고 사람이 프로그래밍을 통해 규칙을 정해놓으면 아웃풋이 나옴 
• 머신러닝: 데이터와 답과의 관계 및 규칙을 학습하고 정답을 예측 

공부사진 

---

4일차 후기

---

협업 필터링에 대해서 배웠다. 진도가 잘 안나가는데 얼렁 들어야겠다. 

 

 

 

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://bit.ly/48sS29N