ZERONOVA

Data, Open, Share, Platform, Cloud, Education

[MOOC추천] Introduction to Recommender Systems (미네소타 대학)

with 2 comments

추천 시스템(Recommender System)은 전산학쪽에선 꽤 오래된 연구분야이다. 최근 빅데이터가 뜨면서 추천 시스템 역시 중요한 빅데이터 분야로 주목받고 있고, Amazon, Netflix 등의 성공적인 인터넷 서비스의 핵심 기술로 인정받고 있다. 하지만 추천 시스템은 거대 기업뿐 아니라 새로운 스타트업이나 사업을 구상할 때 고려해 볼만한 기술이다. Pandora Radio, Watcha, Stitch Fix 가 모두 추천 시스템을 기초로 사업을 시작한 케이스다. 추천 시스템이 알게 모르게 우리 일상에 영향을 주고 있고, 중요한 기반 기술로 자리잡고 있지만, 이에 관해 제대로 알고 적용하고 있는 사람이 몇이나 될까? 추천 시스템 기술에 대해 제대로 한번 파보고 싶지 않은가? 그러면 최근 Coursera에서 시작된 강의를 주목해 보자.

Introduction to Recommender Systems

Introduction to Recommender Systems

사실 미네소타 대학은 추천 시스템을 연구했던 사람들에겐 유명한 곳이다. GroupLens라는 추천 시스템 연구그룹이 있고, 1990년대부터 추천 시스템 연구를 했고, 연구결과를 적용한 영화 추천 서비스인 MovieLens도 오픈했고, 추천 시스템을 구축할 수 있는 오픈소스 툴킷인 LensKit도 개발한 곳이다. 이곳의 Joseph A Konstan 교수와 박사과정 학생인 Michael D Ekstrand가 직접 강의를 하고, 숙제와 프로그래밍 과제도 진행한다고 하니 추천 시스템을 공부하기 정말 좋은 기회라 할 수 있다.

14주 강의는 8개의 모듈로 구성되고 각 모듈 끝나면, 하나의 과제(written assignment)와 하나의 프로그래밍 과제, 두 개가 주어진다. 그리고 두번의 시험이 전체 과정 중간과 마지막에 있다. 과제와 시험결과로 성적이 매겨지고, 50점 이상 되어야 Statement of Accomplishment를 받을 수 있다. 80점 이상이면, Statement of Accomplishment with Distinction를 받게 된다.

Coursera 강의들 중에서 14주 길이면 정말 긴편이다. 보통 6-8주 정도 강의가 대부분이다. 아마 추천 시스템 전체 내용을 커버하려다 보니 기간이 길어진 것 같다. 다행히, 수강생들이 본인의 시간 여유나 프로그래밍 능력에 따라 수강하는 방법을 선택할 수 있게 3가지 트랙을 제시하고 있다.

  • Programming Track: 추천 시스템 프로그래밍까지 마스터하길 원하는 수강생 대상이며, 모든 프로그래밍 과제를 해야 하기 때문에 자바 프로그래밍에 대한 경험을 필요로 한다.
  • Concepts Track: 추천 시스템 기술에 대한 이해만을 원할 경우 프로그래밍 과제는 제출할 필요없이 written assignment만 하면 된다.
  • Pick and Choose Track: 전체 과정 보다는 일부 주제만 관심 있는 경우 해당 강의 영상만 듣고 참여하면 된다. 이 경우 Statement of Accomplishment는 받을 수 없다.

마지막으로, 강의 상세 일정과 내용에 대해 웹싸이트 내용을 아래 붙여 둔다.

Module 1 (Sept. 3-9):

Introduction to Course and to Recommender Systems
Case Study and Taxonomy

Written Assignment 0:  Rating Activity  (Due Sept. 9 )
Written Assignment 1:  Recommender Review (Due Sept. 16)

UMN Students:  Required (non-recorded) session Sept. 3rd (Course Intro)

Module 2 (Sept. 10-23):

Non-Personalized Recommenders
Summary Statistics, Product Associations
Understanding Ratings, Predictions, and Recommendations

Written Assignment 2:  Non-Personalized Recommendations (hand exercises) (Due Sept. 23)
Programming Assignment 1:  Production Associations (Due Sept. 23)

UMN Students:  Optional Sessions (recorded) Sept. 10 (M.E. — questions and LensKit config) and Sept. 17 (J.K. — all topics and assignments)

Module 3 (Sept. 24 – Oct. 7):

Content-Based Recommenders
Inferring Preferences
Unary Ratings
Knowledge-Based Recommenders
Introduction to LensKit Toolkit

Written Assignment 3:  Using Content-Based Recommenders (Due Oct. 7)
Programming Assignment 2:  Implementing TFIDF-Based Recommendation (Due Oct. 7)

UMN Students:  Optional Sessions (recorded) Oct 1 (J.K. — questions on content-filtering, written asst) and Oct. 3 (M.E. — progr. asst. 2)

Module 4 (Oct. 8-21):

Intro to Collaborative Filtering
User-User k-Nearest Neighbor Approach
Tuning CF Algorithms
Explanations

Written Assignment 4:  Hand Exercises in User-User Collaborative Filtering (Due Oct. 21)
Programming Assignment 3:  Programming with User-User Collaborative Filtering (Due Oct. 21)

UMN Students:  Optional Session (recorded) Oct 15 (M.E. — user-user CF and all assignments)

Exam 1 Follows Module 4 (covers first half of course)

Module 5 (Oct. 22 – Nov. 4):

Evaluation and Metrics;
Error Metrics;
Decision-Support Metrics
Rank Metrics
Comparative Evaluation: Dead Data vs. Laboratory vs. Field Study
User-Centered Metrics and Evaluation
Data Sets

Written Assignment 5:  Evaluation Design and Analysis (Due Nov. 4)
Programming Assignment 4:  Evaluation Exercises in LensKit (Due Nov. 4)

UMN Students:  Optional Sessions (recorded) Oct. 22 (J.K.  — Highlights of RecSys Conference), Oct. 29 (M.E. — evaluation/assignments)
Optional non-recorded feedback session (general check-in with full course staff)

Module 6 (Nov. 5 – 18):

Collaborative Filtering II
Item-Item k-Nearest Neighbor
Business Rules
Adjustments for Serendipity and Diversity
Performance Comparisons
Hybrid Algorithms

Programming Assignment 5:  Item-Based Recommenders (Due Nov. 18)

UMN Students:  Optional Sessions (recorded) Nov. 12 (J.K.  — item-item recommenders), Nov. 14 (M.E. — programming item-item)

Module 7 (Nov. 19 – Dec. 2):

Dimensionality Reduction Recommenders
Concepts behind Latent Semantic Analysis and Singular Value Decomposition
Advanced Dataset Concepts

Programming Assignment 6:  Dimensionality Reduction (Due Dec. 2)

UMN Students:  Optional Sessions (recorded) Nov. 21 (J.K.  — dimensionality reduction), Nov. 26 (M.E. — programming SVD in LensKit)
Reminder:  November 28-29 is University Holiday (Thanksgiving)

Module 8 (Dec. 3 – 9):

Alternative Recommender Approaches
Interactive Recommenders
Critique and Dialog-based Approaches
Advanced Topics
Resources
Conclusion

Written Assignment 6:  Synthesis Assignment (Due Dec. 2)

UMN Students:  Optional Session (recorded) Dec. 5 (J.K.  Advanced Topics Q&A)
Required Session (non-recorded) Dec. 10 (End of courses, evaluation, exercises, full course staff)

Exam 2 Follows Module 14 (covers second half of course)

Advertisements

Written by zeronova

2013/09/04 , 시간: 7:53 오전

Data Analytics, MOOC에 게시됨

2개의 답글

Subscribe to comments with RSS.

  1. Global Data Pulse에 대해 검색하다가 들어왔는데, 좋은 정보 알려주셔서 감사합니다 🙂 coursera에서 recommendation system에 특화된 강의가 런치되었다니 주변에도 알려야겠네요!

    bkwak

    2013/09/06 at 5:18 오후

    • 네, Amazon이나 Netflix, Google 등의 최근 대규모 추천 시스템에 대해 어느 정도 커버할지는 모르겠지만, 아마 추천 시스템의 기본부터 다양한 기법들에 대해 폭넓게 다룰거 같습니다.

      zeronova

      2013/09/07 at 6:38 오후


답글 남기기

아래 항목을 채우거나 오른쪽 아이콘 중 하나를 클릭하여 로그 인 하세요:

WordPress.com 로고

WordPress.com의 계정을 사용하여 댓글을 남깁니다. 로그아웃 / 변경 )

Twitter 사진

Twitter의 계정을 사용하여 댓글을 남깁니다. 로그아웃 / 변경 )

Facebook 사진

Facebook의 계정을 사용하여 댓글을 남깁니다. 로그아웃 / 변경 )

Google+ photo

Google+의 계정을 사용하여 댓글을 남깁니다. 로그아웃 / 변경 )

%s에 연결하는 중

%d 블로거가 이것을 좋아합니다: