패스트캠퍼스 환급챌린지 3일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://abit.ly/lisbva

 

공부 시작

강의 종료

강의장

학습 인증샷

강의 후기

 

이전 강의 후기에서 ml 선수지식이 없으면 힘들다고 생각했는데 

ch02-01 데이터 기반 모델 학습의 직관

여기 파트부터 ml 강의가 시작되네요 chapter 01은 간단하게 이런것도 있구나 하고 넘겨도 괜찮을듯합니다.

 

추천시스템에 보통 유저 행렬과 아이템 행렬을 기반으로 유사도 추천을 하거나 머신러닝을 주로 활용하는데

딥러닝 추천시스템은 어떤 경우에 적합할까?

=>

 

보통 데이터의 수가 수백만 이상일 경우 딥러닝의 표현력과 일반화 능력이 좋음

비정형 데이터를 사용할 경우 딥러닝이 유리

좋지 않은 feature로 인해 feature engineering이 어려운 경우

모델 해석보다 정확도가 더 중요한 경우

 

따라서 보통 1차적으로 간단한 필터링 또는 머신러닝 기반으로 추천을 구성하고

성능 한계에 부딪히면 딥러닝을 도입한다.

 

 

생각해보니 추천 시스템에서는 특히 모델 해석이 중요하다.

추천시스템에서 뿐만 아니라 비즈니스 의사결정에서도 강한 지표로 사용되지 않을까?

 

특히 실제 서비스 환경에서 유저가 "왜 이상품을 추천받았는가"를 납득할 수 있어야한다.

내부 개발자, 운영자의 입장에서는 추천의 근거를 데이터 기반으로 설명할 수 있어야 비즈니스 설득력이 생긴다.

 

오늘 강의를 통해 느낀 점은 추천시스템도 결국 머신러닝 문제로 접근해야하고 그 과정에서

etl, feature engineering, ml model 등 ML 프로세스가 동일하다.

개인적으로 ml 공부를 다시 짚으면서 봐야 강의를 따라갈 수 있을 것 같다.

 

최근 AutoML 도구들이 발달했는데 추천시스템에도 적용할 수 있지 않을까?

직접 ml 프로세스를 개발하는 것보다 입문자의 입장에서는 접근성이 더 높아 고려해볼만하다.

다만 도메인 지식과 데이터 구조에 대한 이해가 있어야 사용 가능하겠지만 생산성이 좋아 완벽한 대체보다는 보조 도구로 활용하는것이 적절해 보인다.

 

추후 강의에서 프로젝트를 AutoML로 따라하면서 실제 강의의 모델과 성능이 얼마나 차이나는지 비교해서보고 생산성이 얼마나 좋은가 체크해보고 앞으로 내 서비스에 도입할 추천시스템에도 적합한지 확인해보려한다.