인공지능/부스트캠프 Ai Tech
-
[MLOps] Cloud 개념인공지능/부스트캠프 Ai Tech 2022. 5. 17. 13:54
클라우드에서 제공하는 서비스는 위와 같이 3가지로 나뉘는데, IaaS가 가장 많은 것을 컨트롤 할 수 있는 수준이다. Cloud 서비스의 다양한 제품 1. Computing Service(Server) 흔히 서버라고 불리며 연산은 수행해주는 서비스를 제공한다. CPU, Memory, GPU 등급을 선택할 수 있으며 인스턴스를 생성 후, 인스턴스에 들어가서 사용이 가능하다. 2. Serverless Computing Computing Service와 유사하지만, 서버 관리를 클라우드에서 진행한다. 코드를 클라우드에 제출하면, 그 코드를 서버에서 실행해주는 형태 Auto Scaling 기능을 제공해주며, Micro Service로 많이 활용한다. 3. Stateless Container Docker Imag..
-
[RecSys] 5. Item2Vec and ANN인공지능/부스트캠프 Ai Tech 2022. 3. 17. 16:54
In [1]: from IPython.core.display import display, HTML display(HTML("")) Item2Vec and ANN¶Item2Vec은 Word2Vec을 추천분야에서 응용한 버전이다. ANN은 주어진 벡터와 가장 가까이 있는 벡터를 근사적으로 찾는 방법이며, 실제 서빙할때 많이 사용하는 기법이다. Word2Vec & Item2Vec¶Item2Vec은 Word2Vec을 추천분야에서 응용한 버전이다. Word2Vec의 학습방법론 - SGNS¶Skip-Gram 에 Negative Sampling을 추가한 방법론, Negative Sampling의 갯수는 모델의 하이퍼 파라미터로, 기존의 Skip-Gram 방식은 다중 분류였지만, SGNS의 방식으로 바뀌면서 이진분류(..
-
[L1_P_stage] 개인 회고인공지능/부스트캠프 Ai Tech 2022. 3. 12. 14:27
부스트캠프 3기 첫번째 프로젝트였던 마스크 분류 과제를 한 후, 느꼈던 점 및 아쉬운점을 정리해보았습니다. 나는 내 학습 목표를 달성하기 위해 무엇을 어떻게 했는가? 우리 팀과 나의 학습 목표 : 팀원 다수가 대회 형태의 프로젝트를 경험해 본적이 없었고 AI 분야에 익숙하지 않았다. 그래서 이번 P_stage에서는 각자 낸 아이디어를 구현하는 것과 깃허브를 활용한 협업을 수행하는 것을 목표로 하였다. 개인 학습 측면 : 오픈소스를 가져와서 단순히 jupyter 형태로 코드를 작성하는것이 아닌 python project 형태로 구현하여 baseline 코드와의 연동할려는 시도를 하였다. 또한 팀원들과 지속적인 협업을 위해 github와 notion을 사용하여 각자의 개발이 충돌하지 않도록 관리하고자 하였다..
-
[RecSys] 4-4. Collaborative Filtering - MBCF_MF인공지능/부스트캠프 Ai Tech 2022. 3. 11. 18:30
In [1]: from IPython.core.display import display, HTML display(HTML("")) 협업필터링(Collaborative Filtering, CF)¶CF 분류¶ Neighborhood-based CF (Memory-based CF) 2. Model-based CF * Singular Value Decomposition * Matrix Factorization(SGD, ALS, BPR) * Deep Learning Hybrid CF Matrix Factorization(MF)¶User-Item 행렬을 저차원의 User와 Item의 latent factor 행렬의 곱으로 분해하는 방법 SVD의 개념과 유사하나, 관측된 선호도(평점)만 모델링에 활용해, 관측되지 않..
-
[RecSys] 4-3. Collaborative Filtering-MBCF_SVD인공지능/부스트캠프 Ai Tech 2022. 3. 11. 18:26
In [1]: from IPython.core.display import display, HTML display(HTML("")) 협업필터링(Collaborative Filtering, CF)¶'많은 유저들로부터 얻은 기호 정보'를 통해 유저의 관심사를 자동으로 예측하는 방법 더 많은 유저/아이템 데이터가 축적될수록 협업의 효과는 커지고 추천이 정확해질 것이란 가정에서 출발 목적 : 유저 u가 아이템 i에 부여할 평점을 예측 방법 주어진 데이터를 활용해 유저-아이템 행렬 생성 유사도 기준을 정하고, 유저 혹은 아이템 간의 유사도를 구함 주어진 평점과 유사도를 활용해 행렬의 비어 있는 값(아직 소비하지 않은 평점) 예측 TF-IDF와는 달리 아이템이 가진 속성을 사용하지 않고 추천을 한다. CF 분류¶ N..
-
[RecSys] 4-2. Collaborative Filtering - Rating Prediction인공지능/부스트캠프 Ai Tech 2022. 3. 11. 18:17
In [1]: from IPython.core.display import display, HTML display(HTML("")) 협업필터링(Collaborative Filtering, CF)¶'많은 유저들로부터 얻은 기호 정보'를 통해 유저의 관심사를 자동으로 예측하는 방법 더 많은 유저/아이템 데이터가 축적될수록 협업의 효과는 커지고 추천이 정확해질 것이란 가정에서 출발 목적 : 유저 u가 아이템 i에 부여할 평점을 예측 방법 주어진 데이터를 활용해 유저-아이템 행렬 생성 유사도 기준을 정하고, 유저 혹은 아이템 간의 유사도를 구함 주어진 평점과 유사도를 활용해 행렬의 비어 있는 값(아직 소비하지 않은 평점) 예측 TF-IDF와는 달리 아이템이 가진 속성을 사용하지 않고 추천을 한다. CF 분류¶ N..
-
[RecSys] 4-1. Collaborative Filtering인공지능/부스트캠프 Ai Tech 2022. 3. 11. 18:14
In [1]: from IPython.core.display import display, HTML display(HTML("")) 협업필터링(Collaborative Filtering, CF)¶'많은 유저들로부터 얻은 기호 정보'를 통해 유저의 관심사를 자동으로 예측하는 방법 더 많은 유저/아이템 데이터가 축적될수록 협업의 효과는 커지고 추천이 정확해질 것이란 가정에서 출발 목적 : 유저 u가 아이템 i에 부여할 평점을 예측 방법 주어진 데이터를 활용해 유저-아이템 행렬 생성 유사도 기준을 정하고, 유저 혹은 아이템 간의 유사도를 구함 주어진 평점과 유사도를 활용해 행렬의 비어 있는 값(아직 소비하지 않은 평점) 예측 TF-IDF와는 달리 아이템이 가진 속성을 사용하지 않고 추천을 한다. CF 분류¶ N..
-
[RecSys] 3-2. 추천 시스템 Basic - TF-IDF인공지능/부스트캠프 Ai Tech 2022. 3. 11. 18:11
In [1]: from IPython.core.display import display, HTML display(HTML("")) 추천 시스템의 기법¶ 새로 적용한 추천 시스템/모델의 성능 평가는 어떻게 해야하는가? TF-IDF를 활용한 컨텐츠 기반 추천¶ 유저가 흥미 있어하는 아이템과 유사한 아이템을 추천해주는 방식 장점 유저에게 추천 할 때 다른 유저의 데이터 필요하지 않음 새로운 아이템 혹은 인기도가 낮은 아이템을 추천할 수 있음 추천아이템에 대한 설명(왜 이걸 추천해줬는지)이 가능 단점 아이템에게 적합한 피처(비정형 데이터의 경우)를 찾기가 어려움 똑같은 아이템만 계속 나올 수 있음(overspecialization) 다른 유저의 데이터를 활용할 수 없음 TF-IDF(Term Frequency -..