반응형 전체105 Embeddings에 대한 이해 -1 | 이미지 기반 유사도, 텍스트 기반 유사도에 대해 이 글은 다음의 글을 참고하여 작성되었습니다. cloud.google.com/solutions/machine-learning/overview-extracting-and-serving-feature-embeddings-for-machine-learning?hl=ko 개요: 머신러닝을 위한 특성 임베딩 추출 및 제공 | 솔루션 | Google Cloud 이 문서는 ML(머신러닝)을 위한 특성 임베딩 추출 및 제공 과정을 살펴보는 시리즈 중 하나입니다. 이 문서에서는 특성 임베딩의 개념과 특성 임베딩이 중요한 이유를 설명합니다. 또한 텍스트 �� cloud.google.com 현재 일하는 스타트업에서는 이미지 기반의 유사도를 측정하여 특정 이미지가 주어졌을 때 이와 유사한 이미지를 찾는 일을 하고 있다. 이미.. 2020. 8. 10. Amazon Reviews를 이용한 추천시스템 실습 - surprise패키지 사용 요즘 카글 추천시스템 노트북들을 보며 코드를 깔끔하게 짜는 법과 어떤 아이디어를 이용했는지에 대해 배우고 있다. 오늘은 아마존 리뷰 데이터를 이용한 추천시스템 코드에 대해 알아보겠다. 참고 : www.kaggle.com/saurav9786/recommender-system-using-amazon-reviews Recommender System Using Amazon Reviews Explore and run machine learning code with Kaggle Notebooks | Using data from Amazon Product Reviews www.kaggle.com 추천시스템은 사용자에게 최적의 아이템을 제안하는 시스템이다. 추천시스템이 풀 수 있는 문제로는 다음과 같다. 1. 유저가 .. 2020. 7. 29. Okapi BM25란 무엇인가? (TF-IDF와 비교) 이 포스팅은 Kaggle의 한 notebooks를 보고 추천시스템 공부를 하는 와중에 bm25가 나와서 정리해보고자 작성하게 되었다. 먼저 BM25의 정의를 보자. en.wikipedia.org/wiki/Okapi_BM25 Okapi BM25 - Wikipedia In information retrieval, Okapi BM25 (BM is an abbreviation of best matching) is a ranking function used by search engines to estimate the relevance of documents to a given search query. It is based on the probabilistic retrieval framework developed .. 2020. 7. 29. 일기) 한 달만에 글을 쓴다. (의식의 흐름) 거의 한 달만에 포스팅을 올린다. 여전히 코로나는 끝나지 않았다. 그동안 정말 많은 일이 있었다. 일일이 쓰지는 못하지만 내 앞길에 도움이 되는 교훈을 얻은 것 같다. 며칠 동안 힘들어서 집중하지 못하고 겨우겨우 해야 할 일만 해낼 수 있었지만 이러한 모든 일들이 인생의 자양분이 될 것 같다. 취업준비란 정말 한 치 앞을 알 수 없는 것 같다. 몇 달뒤에 이 글을 웃으며 볼 수 있기를 바란다. 생각이 많고 조급한 마음이 들지만 그럼에도 불구하고 나는 계속 공부하고 앞으로 나아갈 것이다! 오글거리지만 이렇게 일기를 쓰며 마음을 다잡는 것이 도움이 되기에 남겨본다. (이소라 님의 노래도 틀어놓고 쓰고 있는데 센치해진다.) 아무튼 모두 파이팅! p.s. 잠시 블로그를 잊고 있었다가 들어와 보니.. 2020. 6. 24. 이전 1 ··· 15 16 17 18 19 20 21 ··· 27 다음 728x90 반응형
