AI 에이전트를 위한 개인화 추천 알고리즘

Chapter 1 추천 시스템 소개
1.1 주요 추천 알고리즘
1.2 추천 시스템 적용 사례

Chapter 2 기본적인 추천 시스템
2.1 데이터 읽기
2.2 인기제품 방식
2.3 추천 시스템의 정확도 측정
2.4 사용자 집단별 추천
2.5 내용 기반 필터링 추천

Chapter 3 협업 필터링(CF) 추천 시스템
3.1 협업 필터링의 원리
3.2 유사도지표
3.3 기본 CF 알고리즘
3.4 이웃을 고려한 CF
3.5 최적의 이웃 크기 결정
3.6 사용자의 평가경향을 고려한 CF
3.7 그 외의 CF 정확도 개선 방법
3.8 사용자 기반 CF와 아이템 기반 CF
3.9 추천 시스템의 성과측정지표

Chapter 4 Matrix Factorization(MF) 기반 추천
4.1 Matrix Factorization(MF) 방식의 원리
4.2 SGD(Stochastic Gradient Descent)를 사용한 MF 알고리즘
4.3 SGD를 사용한 MF 기본 알고리즘
4.4 Train/Test 분리 MF 알고리즘
4.5 MF의 최적 파라미터 찾기
4.6 MF와 SVD

Chapter 5 Factorization Machines(FM)
5.1 FM의 표준식
5.2 FM 식의 변형
5.3 FM의 학습
5.4 FM의 데이터 변형
5.5 Python으로 FM의 구현

Chapter 6 딥러닝을 사용한 추천 시스템
6.1 Matrix Factorization(MF)을 신경망으로 변환하기
6.2 Keras로 MF 구현하기
6.3 딥러닝을 적용한 추천 시스템
6.4 딥러닝 모델에 변수 추가하기

Chapter 7 오토인코더(AE)를 사용한 추천
7.1 Auto Encoder의 원리
7.2 Auto Encoder를 사용한 추천 시스템의 구현

Chapter 8 Transformer를 사용한 추천 시스템
8.1 Transformer
8.2 Transformer를 추천에 활용하는 방법
8.3 Transformer로 추천 시스템 구현

Chapter 9 Large Language Model(LLM)을 사용한 추천
9.1 LLM을 사용한 추천의 방식
9.2 프롬프팅을 사용한 추천
9.3 임베딩을 사용한 추천

Chapter 10 하이브리드 추천 시스템
10.1 하이브리드 추천 시스템의 장점
10.2 하이브리드 추천 시스템의 원리
10.3 하이브리드 추천 시스템의 예(CF와 MF의 결합)

Chapter 11 대규모 데이터의 처리를 위한 Sparse matrix 사용
11.1 Sparse matrix의 개념과 Python에서의 사용
11.2 Sparse matrix를 추천 알고리즘에 적용하기

Chapter 12 추천 시스템 구축에서의 이슈
12.1 신규 사용자와 아이템(Cold start problem)
12.2 확장성(Scalability)
12.3 추천의 활용 방식(Presentation)
12.4 이진수 데이터(Binary data)의 사용
12.5 사용자의 간접 평가 데이터(Indirect evaluation data) 확보