패캠챌린지 26

패스트캠퍼스 캐시백 챌린지 09일차 - 추천시스템[Part3]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 03-01. 이웃기반 - 모델기반 - 무슨 차이일까 오늘 배운 내용 모델 기반과 이웃 기반 협업필터링 어떤 특징들이 있을 까? : 이웃기반 협업 필터링 1. 구현이 간단 2. Model-based CF에 비해 계산량이 적음. 3. 새로운 user, item이 추가되더라도 비교적 안정적 4. 새로운 content(user 또는 item을 추천할 수 있음. : 모델기반 협업필터링? - 머신러닝을 가장 잘 활용한 추천알고리즘의 일종 - 주어진 데이터를 활용하여 모델 학습 (학습과정에서 모델이 데이터를 배워서 데..

패스트캠퍼스 캐시백 챌린지 08일차 - 추천시스템[Part2]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 03-03. 유사도 개념 이해하기 - 자카드, 피어슨 오늘 배운 내용 유사도란 A라는 아이템과 B라는 아이템이 얼마나 유사한가를 수치로 표현한 값이다! : 자카드 유사도 - 집합의 개념을 이용하여 유사도 계산함. - 합집합과 교집합 사이의 비율로 유사도 계산 - 자카드 지수는 0과 1 사이의 값 ex) A, B 합집합 100, 교집합 50이면 -> 0.5 A = B -> 1 : 피어슨 유사도 - 피어슨 상관계수를 바탕 (= 코사인 유사도와 매우 비슷) - 1은 양의 상관관계, -1음의 상관관계, 0은 상관..

패스트캠퍼스 캐시백 챌린지 07일차 - 추천시스템[Part2]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 03-02. user-based vs item-based, 어떤게 더 좋을까~ 오늘 배운 내용 : Neighborhood-based Collaborative Filtering 1. 구현이 간단함 -> 과거의 데이터 행렬을 만들어 놓으면, 유사도 계산 등이 편하다. (네트워크를 복잡하게 구성 등이 상대적으로 덜함) 2. Model-based CF에 비해 계산량이 적음 3. 새로운 user, item이 추가되더라도 비교적 안정적 4. 새로운 content를 추천할 수 있음. : User-based Collab..

패스트캠퍼스 캐시백 챌린지 06일차 - 추천시스템[Part2]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 03-02. 협업필터링은 무엇인가- 오늘 배운 내용 협업필터링 자체가 알고리즘이 다양하고 많이 사용함. => 유용함. :집단지성(Collective Intelligence) - 개인보다 단체 또는 그룹의 선택과 취향에 의존함. - 여러 사람의 의견을 종합적으로 반영 - 다수의 의견으로 더 나은 선택을 함. :협업필터링? 1. 유저 A와 유저 B 모두 같은 아이템에 대해 비슷한 또는 같은 평가를 했다. 2. 이 때 유저 A는 다른 아이템에도 비슷한 호감을 나타냈다. 3. 따라서 유저 A, B의 성향은 비슷할..

패스트캠퍼스 캐시백 챌린지 05일차 - 추천시스템[Part2]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 01-07. TF-IDF로 장르, 영화 tag이용한 추천알고리즘 실습 오늘 배운 내용 컨텐츠기반 추천시스템 컨텐츠를 활용할 수 있는지 어떻게 컨텐츠들이 서로 연관이 있는지 평가하는 방법 근접이웃기반 컨텐츠기반 추천시스템 -> k-nearest neighbor naive bayes classifer -> 베이즈 추천시스템 TF-IDF 개념설명 그리고 실습 코드 연습 # create genre representations # 굳이 이렇게 사용하지 않고 더 빠르게 실행하라고 해줄 수 있음 -> 현재 이 코드는 ..

패스트캠퍼스 캐시백 챌린지 04일차 - 추천시스템[Part2]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 03-06. TF-IDF란 -- 오늘 배운 내용 : Vector Representation - review 문서 전체에 등장하는 단어의 수는 n개 - m개의 review 문서가 있다고 가정 - m과 n의 조합 - 빈도수를 가지고 활용함. :TF - IDF - 흔하게 등장하는 단어는 중요하지 않은 단어 - Information Retrieval에서 많이 사용하는 개념 - 각 단어에서 가중치를 부여해서 Keyword extraction 등에 활용 - 문서에서 특정 단어가 등장하는 것으로 문서끼리 관련있음을 표..

패스트캠퍼스 캐시백 챌린지 03일차 - 추천시스템[Part2]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 03-05. 나이브 베이즈 추천 알고리즘 오늘 배운 내용 [Part2] 03-05. 나이브 베이즈 추천 알고리즘 : 조건부 확률 - 사건 B가 발생했을 때, 사건 A가 발생할 확률 : 베이즈 정리 : 사건 B가 사건 A로부터 발생했다느 가정하에 사건 A의 확률 업데이트 - P(H) : 사전 확률(prior), P(H|E) : 사후확률(posterior) - 사전확률: 현재 정보를 바탕으로 정한 확률(동전 앞면 나올확률 =1/2) - 사후확률 : 사건 E가 사건 H로부터 발생했다는 가정하에 사건 H의 확률 ..

패스트캠퍼스 캐시백 챌린지 02일차 - 추천시스템[Part2]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 01-03. 비슷한 컨텐츠 찾는 방법 [Part2] 01-04. 근접이웃 추천 알고리즘 오늘 배운 내용 [Part2] 01-03. 비슷한 컨텐츠 찾는 방법 비슷한 아이템을 고르는 기준에 같은 영화감독이 있을 수도, 주연 배우가 있을 수도 있음. 이러한 것들로 Feature를 뽑아 보는 것도 있을 수 있겠다. : Features 간의 유사도를 측정하기 위해 - 유클리드 거리 (거리 기반) - 코사인 유사도 (각도 기반) (벡터 비교에 사용) * 유클리드 거리 - 두 점 사이의 거리를 계산할 때 사용하는 me..

패스트캠퍼스 캐시백 챌린지 01일차 - 추천시스템[Part2]

ㅋㅋㅋ/// 전까지 아직 챌린지 시작이 아닌데 혼자 드릉드릉 시작했었다 ㅋㅋ0ㅋ 그래서 00일차로 변경하였다:) 👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part2] 02-01. 컨텐츠기반 추천시스템이란? [Part2] 02-02. 어떤 컨텐츠를 활용할까? 오늘 배운 내용 [Part2] 02-01. 컨텐츠기반 추천시스템이란? 컨텐츠 기반 추천 시스템이란? "컨텐츠가 비슷한 아이템을 추천" 장점 : - 다른 유저의 데이터가 필요하지 않음 - 모든 item을 활용할 수 있음 - 추천하는 이유를 제시할 수 있음 단점 : - 적절한 features를 찾기가 어려움 ..

패스트캠퍼스 캐시백 챌린지 00일차 - 추천시스템[Part4]

👉🏻 참여 인강 : 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online. 데일리 미션 진행 기간(66일)일 동안 진행된다. 제발 이번에는 꼭 성공하기를 🙏🏻 Plz 오늘 들은 인강 [Part1] 04-03. Neural Collaborative Filtering 소개 사실 순서는 뒷부분이지만 최근에 해당 논문을 접하여 좀 더 이해하고 싶어 먼저 들어보기로 하였다. 딥러닝 부분의 공부를 하면 좀 더 자세하게 이해할 수 있을 것 같다. 오늘 배운 내용 Neural Collaborative Filtering 가 나온 배경. 1. 기존의 collaborative Filtering에서 선형을 사용하는 경우에는 차원이 비교적 낮아 , item과 user 간의 복잡한 관계를 설명하기에는 부족하다. 하지만, 차..