Vision

<aside> 💡 🛒온라인 쇼핑, 🍗맛집, 🎶음악, 🎥영화, 📺콘텐츠 등 여러 비즈니스가 살아있는 한 없어지지 않을 추천 시스템의 기초부터 심화과정까지 함께 공부하고자 합니다.

</aside>

<aside> 💡 추천 시스템 관련해서는 자료가 많지 않습니다. 이번 스터디를 통해 어디에 공유해도 부끄럽지 않을만한 자료를 함께 만들고자 합니다.

</aside>

우리에게 힘을 주는 글

<aside> 🔍 현명한 사람은 그가 찾은 것보다 더 많은 기회를 만들 것이다 - 프랜시스 베이컨 (Francis Bacon)

</aside>

Quick Navigation

😍 가짜연구소 소개

팀원 소개하기

출석 체크

가짜 도서관

🧪 **가짜연구소 Github** 🎥 가짜연구소 Youtube

🧪 가짜연구소 LinkedIn 🧪 **가짜연구소** Facebook

📢 금주 스터디 공지

<aside> 📢 스터디는 종료되었습니다! 다들 고생하셨습니다!~

</aside>

첫 모임(왼쪽), 마지막 모임(오른쪽)

지난 공지

• Week00 - 22.03.14
• Week01 - 22.03.21
• Week02 - 22.03.28
• Week03 - 22.04.04
• Week04 - 22.04.18
• Week05 - 22.04.25
• Week06 - 22.05.09
• Week07 - 22.05.16
• Week08 - 22.05.23
• Week09 - 22.05.30
• Week10 - 22.06.13

자료 아카이빙

자료 아카이빙

Ground Rule

1. 스터디 수료 기준
   • 무통보 결석 누적 2회 시 수료 불가
   • 무통보 지각(30분 이상) 누적 4회 시 수료 불가
2. 스터디 규칙
   • 스터디 활동에 성실히 참여해주세요
   • 웹캠을 켜고 실명으로 참석해주세요
   • 시간을 잘 지켜주세요
   • 비대면 모임에 꼭 참석해주세요
3. 스터디 일정
   • 종료 기간은 정해져 있지 않음
   • 커리큘럼을 다 학습할 경우 스터디 종료
   • 매주 월요일 (20:00~) 2시간 이내 비대면 모임(게더타운 Room A)
4. 학습 방법
   • 매주 모임 시 기존에 협의된 내용을 학습 및 PPT 정리 후 발표 진행
   • 주차에 상관없이 하나의 챕터 종료 후 다음 챕터 진행
   • 이론 학습 후 파이썬 실습 진행
   • 모르는 내용 질문 준비
   • 추가 자료 준비(선택)
     • ex) 읽어볼만한 블로그 글, 논문, 자료 등
   • Paper & Naver Deview
     • 각 챕터에 링크된 Paper는 필수 리뷰
     • Naver Deview는 스터디 시간에 시청
5. 청강
   • 매주 월요일 20:00~ 게더타운 Room A에서 진행

학습 계획

Chapter 00. Orientation

• Ice breaking - 자기소개
• Introduction - 스터디 계획, 방식 및 규칙 설명

Chapter 01. Introduction to Recommendation system

• Introduction to Recommendation system

• Deview: 유저가 좋은 작품(웹툰)을 만났을 때 - 최규민(카카오 추천팀)

  유저가 좋은 작품(웹툰)을 만났을 때.pdf

Chapter 02. Association analysis

• Association analysis

Chapter 03. Collaborative Filtering and Contents-based Recommendation

• Collaborative filtering

• Content based recommendation

• Paper: Collaborative Filtering for Implicit Feedback Datasets

• Deview: 당신 취향의 맛집을 추천해드립니다 - 전영환(Naver SmartAround)

  당신 취향의 맛집을 추천해드립니다_장소 개인화 추천 시스템의 비밀.pdf

Chapter 04. LDA(Latent Dirichlet Allocation) & Item2Vec

• Paper: Latent Dirichlet Allocation

• Deview: 쿠팡 추천 시스템 2년간의 변천사 - 오성민(Coupang Recommendation Tech Lead)

  쿠팡 추천시스템 변천사_상품추천에서 실시간 개인화로.pdf

• Paper: Item2Vec - Neural Item embedding for Collaborative Filtering

Chapter 05. MAB(Multi-Armed Bandit) & Thompson Sampling

• PyCon - 추천시스템, 이제는 돈이 되어야 한다 - 최규민(카카오 추천팀)

Chapter 06. Matrix Factorization

• Paper: Matrix Factorization Techniques for Recommender System

Chapter 07. Factorization Machines

• Paper: Factorization Machines

Chapter 08. Field-aware Factorization Machines

• Paper: Field-aware Factorization Machines for CTR Prediction

• Deview: 추천시스템 3.0 - 딥러닝 후기시대에서 바이어스, 그래프, 그리고 인과관계의 중요성 - 김경민(Naver 클로바 리더)

  추천시스템 3.0_딥러닝 후기 시대에서 바이어스, 그래프, 그리고 인과관계의 중요성.pdf

Chapter 09. Wide and Deep Learning for Recommender Systems

• Paper: Wide and Deep Learning for Recommender Systems

• Deview: 내가 선택하는 내 영화 취향 - 권은(Naver 지식베이스)

  내가 선택하는 내 영화 취향_뭘 고를지 몰라 다 준비해봤어.pdf

Chapter 10. DeepFM

• Paper: DeepFm - A Factorization Machine based Neural Network for CTR Prediction

• Deview: Knowledge Graph에게 맛집과 사용자를 묻는다 - 전영환(Naver Search)

  Knowledge Graph에게 맛집과 사용자를 묻는다_GNN으로 맛집 취향 저격하기.pdf

스터디 계획표

계획표