| 1. | |
추천자 시스템 소개 | 이 모듈은 추천자 시스템과 강좌에 대해 소개한다. 추천자 시스템 유형의 구체적인 분류 체계 및 Amazon.com의 추천자에 대해 자세히 살펴볼 것이다. 또한 입문 평가가 있는데, 이것이 앞으로 추천자 시스템에 대한 학습 및 탐구에 도움이 될 것으로 기대한다. |  |
| 2. | |
데이터 등에 근거한 추천자들 | 이 모듈은 요약 통계자료와 제품협회 규칙에 근거한 추천과 같이, 데이터 등에 근거한 객관적인(non-personalized) 추천자 시스템을 다룬다. 실제로 널리 사용되고 있는 이러한 추천자들은 어떤 것을 얼마나 많은 사람들이 좋아하는지, 그것의 평균 순위는 어떻게 되는지와 같은 정보를 포함하며, 이 물건을 산 사람이라면 또한 살 것으로 예상되는 상품과 같은 것들도 포함한다. 또한 본 모듈에는 평가가 있다. | |
| 3. | |
내용 기반의 추천자들 | 이 모듈은 내용 기반의 추천자 시스템을 다룬다. 이 시스템은 사용자가 좋아하거나 좋아하지 않는 물건과 연관된 선호도를 근거로 하여 선호 관련 내용의 프로필을 형성한다. 우리는 이러한 선호 관련 내용 프로필을 구축하고 유지하기 위한 메커니즘에 대해 토의할 것이다. 그리고 당신이 이 프로필과 추천의 계산을 할 수 있도록 하는 평가가 있다. | |
| 4. | |
사용자-사용자 간 협력적 필터링 | 이 모듈은 사용자-사용자 간의 협력적 필터링 추천자 시스템을 다룬다. 이 고전적인 방법은 비슷한 선호도를 가진 다른 사용자들을 매치시킨다. 그리고나서 그 '가까운 이웃' 사용자들의 선호도를 합치는데, 이를 통해 예측과 추천을 위한 데이터가 형성된다. 또한 알고리즘에서 많은 조정과 다양성을 다루며, 수강자 스스로 스프레드시트에 사용자 간 CF 추천자를 실행하는 평가가 있을 것이다. | |
| 5. | |
평가 | 이 모듈은 메트릭(metric)과 평가에 초점이 맞춰져 있다. 이것은 다양한 메트릭 유형, 개인적인 메트릭, 실험적인 기술, 그리고 측정 목표를 소개한다. 많은 다양한 알고리즘 중에서 무엇이 가장 중요한 것일까? 이 모듈의 평가는 당신을 일련의 상황으로 데려가 효과적인 평가에 대한 당신의 이해도를 평가할 것이다. | |
| 6. | |
아이템 기반 | 이 모듈은 아이템-아이템 간의 협력적 필터링을 소개한다. 협력적 필터링은 사용자 데이터로부터 아이템 간의 관계를 계산함으로써 퍼포먼스 실행시간을 향상시킨 초기의 혁신이다. 우리는 또한 1진법 데이터의 흥미로운 케이스를 살펴본다. 그리고 스프레드시트에서 당신이 아이템 간 추천자를 계산할 수 있도록 하는 평가가 있다. | |
| 7. | |
차원 감소 | 이 모듈은 행렬 분해 추천 알고리즘을 소개한다. 이 알고리즘은 가장 질 좋은 추천과 범위성을 가져서 현재 가장 유망한 것으로 보인다. 우리는 이 알고리즘에 사용된 개념과 구체적인 실행 및 현재의 방향에 대해 살펴볼 것이다. 이 강의의 평가는 예측 계산과 평가 행렬(rating matrix)의 대표인 factored matrix로부터 추천이 포함한다. | |
| 8. | |
심화된 주제들 | 이번이 우리의 마지막 모듈이다. 이번 모듈에선 많은 다른 실제적 이슈들 뿐만 아니라 보안 위협과 초기 사용자 문제(the cold-start problem)와 같은 주제의 범위를 다룰 것이다. | |
| 9. | |
기말시험 | 이 모듈은 이 과정을 마무리짓고, 6-9주차의 모듈을 범위로 하는 세 부분으로 구성된 기말시험으로 구성된다. | |
대구광역시 동구 동내로 64(동내동 1119) 우)41061
COPYRIGHT keris. all rights reserved
페이스북
트위터
카카오톡
네이버밴드
링크복사
