일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | |
7 | 8 | 9 | 10 | 11 | 12 | 13 |
14 | 15 | 16 | 17 | 18 | 19 | 20 |
21 | 22 | 23 | 24 | 25 | 26 | 27 |
28 | 29 | 30 |
- lazypredict
- Soft_skills
- kaggle
- Kaggle_Transcripition
- fastcampus
- Hadoop
- Algorithm_A/B_Test
- SPARK
- 경제신문스크랩
- e-commerce
- Kaggle #EDA #Regression
- Data_Engineering
- regression
- GCP
- Today
- Total
목록Recommend_System (3)
AI & Data를 활용하는 기술경영자
Intro DeepFM: A Factorization-Machine based Neural Network for CTR Prediction을 분석하고 정리하였습니다. 그리고 추가적으로, 영화 데이터셋을 활용하여 실습부분도 함께 있습니다. Abstract Click Through Rate(CTR)을 예측하는 모델이다. Low와 High-order feature interactions 모두 학습 가능하다. 저차원과 고차원의 특성을 공유하면서 End to End로 학습이다. 저차원과 고차원의 개별 특성값의 효과를 고려한 후 특성값을 변경함으로써 발생하는 예측값의 변화를 나타낸다. Factorization Machine의 장점과 Deep Learning의 장점을 모두 합친 모델인 DeepFM이다. Wide & ..
Intro 추천시스템 톺아보기에선 추천시스템의 전반적인 흐름을 파악했다면, 이번에는 전통적인 추천시스템 알고리즘에 대해서 설명합니다. 콘텐츠기반 추천시스템 알고리즘을 알아보기 전 '콘텐츠'에 대해서 알아봅니다. 콘텐츠란? 추천시스템을 구축하기 위해서 사용되는 데이터로 Item Profile과 User Profile등이 있다. Item Profile Item을 set of features로 표현한다. 영화,작가,제목,배우, 키워드,TF-IDF를 Sample features라고 한다. Item의 여러 특성을 attributes, features라고 한다. 여러 특성을 분석하여 구성된 목록을 바탕으로 가중치를 부여하여 정량화한다. Item 설명은 text features이므로 text preprocessing..
Intro Killing Time 지킴이 결정 장애 해소, 고객의 만족도 향상 등 우리의 삶 속에서 깊이 스며든 추천 시스템에 대해서 어렵지 않게 이야기해보려고 합니다. 추천 시스템과 친해지기 추천 시스템을 알려면 해야 할 것은 추천 시스템의 역사, 정의, 특징, 활용 예시, 한계. 등등을 알아야겠죠? 등장 이유 우리는 현재 인터넷이라는 수많은 정보가 쏟아지는 공간에서 삽니다. 물론, 이로 인해서 편리성을 얻기는 했지만 때로는 수많은 정보와 데이터로 인해서 선택의 연속의 삶을 살고 있고 더 나아가 적절한 결정을 내리기 어려웠던 경험들이 있다고 생각합니다. 예시: 오늘 무슨 프로그램을 볼까? , 저녁은 뭐 먹지? , 오늘 뭐를 먼저 해야 하지?, 무슨 선물을 사지?, 이 옷 이쁠까?.. 등등 그로 인해서,..