반응형 개발/Recommender System19 Coursera 강의 리뷰 2 - TFIDF and Content-Based Filtering = Term Frequency * Inverse Document Frequency Term Frequency : 얼마나 자주 그 용어가 document에서 등장했나? 얼마나 그 document와 관련되었나? Inverse Document Frequency : 얼마나 적은 documents가 이 term을 가지고 있나? -> 이 term이 많은 documents에서 등장할수록 IDF value는 작아진다. 즉 어느곳에나 등장하는 term에는 관심없고 드문 term에 관심있다. log를 사용해서 함. document의 수가 너무 크기 때문. 예 ) "The Civil War"에 대해 찾아본다고 하면, IDF value는 "The"는 매우 자주 등장하는 Term. log1 = 0으로 수렴. 즉 no weigh.. 2020. 4. 23. Coursera 강의 리뷰 1 - Non-Personalized and Stereotype-Based Recommenders 보통 personalized recommenders를 다루는데 예를 들어 넷플릭스 추천 시스템등...개인에게 최적화된 추천 시스템을 제공한다. 그런데 첫 강의로 왜 Non-personalized에 대해 다룰끼? 그 이유로 4가지를 들 수 있다. - 새로운 users : 새로운 user에 대해 아는 정보가 없다(cold start) 그래도 추천 해주고 싶음.. - simple but beneficial : personalized보다 간단하지만 효과적임 - online communities around common displays - Applications & media where personalization is impossible "Weak Personalization" - stereotyped pers.. 2020. 4. 23. Recommender system 추천 시스템 공부를 본격적으로 시작하다..! 전에 카카오미니를 쓰며 추천해주는음악들이 너무 취향저격이라 추천시스템에 대해 분석한 적이 있었는데 아주 흥미로웠고 당시 배우던 내용들(수치선대, 근사이론, 딥러닝..)과 연관성이 높아서 재밌게 공부했었다. 이번에 본격적으로 공부를 시작하고 싶은 마음에 coursera의 추천시스템 Recommender system by MINNESOTA 강의를 마스터하려고 한다. IBM의 pytorch강의를 아직 못마쳤지만 사실 전에 배웠던 내용을 복습하는 것이라 큰 흥미가 느껴지지 않아 잠시 중단하고 추천시스템 공부에 뛰어들려고 한다. 코딩 실습은 JAVA를 이용해서 하는데 JAVA에 익숙하지 않아 Python실습으로 따로 혼자 진행하려고 한다. 화이팅..! 2020. 4. 23. 이전 1 2 3 4 5 다음 728x90 반응형
