아마존과 넷플릭스가 당신의 취향을 저격하는 비결을 파이썬으로 직접 구현해보세요. 협업 필터링부터 영화 및 음악 추천 프로젝트까지, 핵심 알고리즘을 마스터하여 실무에 즉시 적용 가능한 나만의 강력한 개인화 추천 엔진을 완성할 수 있습니다.
유튜브, 넷플릭스가
당신의 취향을 귀신같이 맞추는
그 기술
이제 당신의 코드로 직접 구현하고
포트폴리오에 박제하세요.
단순 이론 암기는 그만. 현업에서 매출(CTR)을 끌어올리는 '협업 필터링' 파이프라인 을 바닥부터 설계하고, 면접관이 납득하는 실전 프로젝트를 완성합니다.
[강의 목표: 데이터에서 비즈니스 가치 창출까지]
남들 다 하는 '타이타닉', '붓꽃 분류'...
언제까지 '연습문제'만
포트폴리오에 넣으실 건가요?
복사 붙여넣기한 프로젝트
인터넷 코드를 긁어온 프로젝트는 채용 담당자가 가장 먼저 걸러냅니다.
텅 빈 데이터 (Cold Start)
"가입 1초 된 회원에게 뭘 추천할까요?" 현업 질문에 대답할 수 있어야 합니다.
비즈니스 임팩트 부재
단순 정확도가 아닌 '돈이 되는(매출을 만드는)' 모델을 만들어야 합니다.
이론과 코드의 괴리
수식을 Python 코드로 직접 옮기는 '구현력'을 길러드립니다.
단 10시간 투자로,
당신의 개발 역량은 이렇게 달라집니다.
면접장에서 자신 있게 말할 수 있는
'무기'를 쥐어드립니다.
음악 추천: 넷플릭스 취향 매칭의 비밀
가사와 장르를 분석해 취향이 비슷한 곡을 찾는 '콘텐츠 기반 필터링'을 구현합니다. 코사인 유사도 로직을 내 것으로 만드세요.
> User Profile Vectorized... OK
> Calculating Cosine Similarity...
> Result: "이 노래를 들은 유저는 98% 확률로 [Butter]를 좋아합니다."
영화 추천: "나보다 나를 더 잘 아는 AI"
수백만 건의 데이터를 행렬 분해(SVD) 로 분석하여 유저의 '잠재적 선호도'까지 찾아내는 고성능 모델을 튜닝합니다.
Input: Sparse Matrix (99% Empty)
Algorithm: Singular Value Decomposition (SVD)
Output: Predicted Rating 4.8/5.0 (Hidden Gem)
커리큘럼: 이론부터 실전 구현까지
오리엔테이션: 추천 시스템의 세계
개발자의 관점과 '돈이 되는' 알고리즘의 중요성을 이해합니다.
알고리즘의 진화
글로벌 기업(YouTube, Netflix)의 기술 트렌드와 사례 분석
핵심 이론: 유사도와 수학
유클리드 거리, 코사인 유사도의 원리를 그림으로 파헤칩니다.
설계 전략: Cold Start
데이터가 텅 빈 초기 단계의 시스템 아키텍처 설계 전략
[Project] 음악 추천
텍스트 데이터(가사, 장르)를 분석하여 '취향 저격' 엔진 코딩
[Project] 영화 추천
SVD 행렬 분해를 활용해 추천 정확도를 극한으로 끌어올리기
강의 핵심 요약
POINT 01
이론과 실무의
완벽한 밸런스
수식을 그림으로 이해하고 Python으로 100% 구현합니다.
POINT 02
면접관을 사로잡는
문제 해결력
현업의 난제(Cold Start 등)를 해결하는 노하우 전수.
POINT 03
즉시 투입 가능한
Full-Stack 역량
전처리, 모델링, 평가까지 전체 파이프라인 경험.
POINT 04
평생 소장하는
실무 치트시트
헷갈릴 때 꺼내 보는 '알고리즘 요약 & 코드 템플릿'.
자주 묻는 질문 (FAQ)
Q1
Python을 잘 못해도 수강 가능한가요?
A. 기본적인 문법(변수, 제어문)만 아시면 됩니다. 라이브러리 기초부터 설명하므로 입문자도 따라오실 수 있습니다.
Q2
비전공자인데 취업에 도움이 될까요?
A. 물론입니다. 단순 이론이 아닌 '포트폴리오 결과물'을 만드는 강의입니다. 기술 면접 대비에 최적화되어 있습니다.
Q3
실습 환경은 어떻게 되나요?
A. Jupyter Notebook 환경에서 진행되며, 전체 소스 코드와 데이터를 제공합니다.
🚀 면접관의 질문에 코드로 대답하세요.
강사
AI 사이언스
AI 사이언스는 데이터 과학, 프로그래밍, 인공지능 분야에서 맞춤형 교육 및 솔루션을 제공하는 전문 기업입니다. 이 회사는 학습자들의 다양한 요구를 충족시키기 위해 실시간 코칭 세션과 함께 여러 수준의 온라인 강좌를 제공합니다. 특히 학생들이 학습한 내용을 실제 상황에 적용할 수 있도록 실용성을 강조하며, 텍스트, 동영상, 인터랙티브 자료를 통합한 포괄적인 학습 방식을 채택하여 교육 경험을 더욱 풍부하게 만듭니다.
커리큘럼
1-01차시 AI 과학 개론
02
1-02차시 강사 소개
03
1-03차시 추천 시스템 개요
04
1-04차시 추천 시스템의 기본 원리
05
1-05차시 프로젝트 개요
06
2-01차시 추천시스템(Recoommender Systems) 개요
07
2-02차시 추천 시스템 소개
08
2-03차시 추천 시스템의 과정과 목표
09
2-04차시 추천시스템의 세대
10
2-05차시 AI와 추천 시스템의 연결점
11
2-06차시 응용과 실제 현장에서의 도전 과제
12
2-07차시 퀴즈
13
2-08차시 퀴즈 해설
14
3-01차시 섹션 개요
15
3-02차시 추천 시스템의 분류
16
3-03차시 ICM(인터럽트 제어 모듈)
17
3-04차시 사용자 평점 행렬
18
3-05차시 추천 시스템의 품질
19
3-06차시 온라인 평가 기법
20
3-07차시 오프라인 평가 기법
21
3-08차시 데이터 분할(Data Partitioning)
22
3-09차시 중요한 파라미터(Parameters)
23
3-10차시 오차 지표 계산
24
3-11차시 콘텐츠 기반 필터링(Content-Based Filtering)
25
3-12차시 협업 필터링과 사용자 기반 협업 필터링
26
3-13차시 아이템 기반 모델과 메모리 기반 협업 필터링
27
3-14차시 퀴즈
28
3-15차시 퀴즈 해설
29
4-01차시 개요
30
4-02차시 머신러닝(Machine Learning)의 이점
31
4-03차시 머신러닝(ML) 가이드라인
32
4-04차시 ML을 위한 설계 접근법
33
4-05차시 콘텐츠 기반 필터링(Content-Based Filtering)
34
4-06차시 콘텐츠 기반 필터링을 위한 데이터 준비
35
4-07차시 콘텐츠 기반 필터링을 위한 데이터 처리
36
4-08차시 콘텐츠 기반 필터링에서 장르 탐색하기
37
4-09차시 tf-idf 단어 빈도수와 역문서 빈도수 행렬
38
4-10차시 추천 엔진(Recommendation Engine)
39
4-11차시 추천하기
40
4-12차시 아이템 기반 협업 필터링(Item-Based Collaborative Filtering)
41
4-13차시 아이템 기반 필터링 데이터 준비
42
4-14차시 사용자 연령 분포
43
4-15차시 KNN을 활용한 협업 필터링
44
4-16차시 지리적 필터링
45
4-17차시 KNN 구현
46
4-18차시 협업 필터링을 활용한 추천 만들기
47
4-19차시 사용자 기반 협업 필터링 (User-Based Collaborative Filtering)
48
4-20차시 퀴즈
49
4-21차시 퀴즈 해설
50
5-01차시 프로젝트 소개
51
5-02차시 데이터셋 활용
52
5-03차시 결측값(Missing Values)
53
5-04차시 장르 탐구
54
5-05차시 발생 횟수(Occurrence Count)
55
5-06차시 TF-IDF(단어 빈도-역문서 빈도) 구현
56
5-07차시 유사도 지수(Similarity Index)
57
5-08차시 FuzzyWuzzy(퍼지워지) 구현
58
5-09차시 가장 유사한 제목 찾기
59
5-10차시 추천하기
60
6-01차시 AI 과학 개론
61
6-02차시 강사 소개
62
6-03차시 추천 시스템 개요
63
6-04차시 추천 시스템의 기본 원리
64
6-05차시 프로젝트 개요
65
6-06차시 추천 시스템 개요
66
6-07차시 추천 시스템 소개
67
6-08차시 추천시스템의 프로세스와 목표
68
6-09차시 추천 시스템의 세대
69
6-10차시 AI와 추천 시스템의 연결점
수강 후기
첫번째 리뷰어가 되어주세요.
소중한 후기가 다른 분들께 도움이 될 거에요.
정가
114,000원
총 결제 금액
114,000원
적립 예정
3,420P
114,000원
114,000원