분류 전체보기 (113) 썸네일형 리스트형 00022. [추천시스템 비교 시리즈 #7] 나만의 추천 시스템 프로젝트, 어떻게 확장할 수 있을까? 이제 이 시리즈도 마지막 편입니다.우리는 지금까지 Transformer 기반 추천 시스템과 기존 RNN 구조를 비교하며,정확도뿐 아니라 추론 속도, cold-start 대응력, 실무 적용성까지 실험하고 논문처럼 정리해봤습니다.그런데 문득 이런 생각이 들 수도 있어요:"이걸 그냥 논문으로 끝내긴 아까운데?"그래서 이번 편에선 지금까지의 실험과 내용을 “나만의 추천 시스템 프로젝트”로 확장하는 아이디어를 정리해드립니다.✅ 1. 실험을 하나의 프로젝트로 바꾸는 프레임📌 핵심 질문은:"이 실험을 실제 사용자/도메인에 적용하면 어떤 서비스가 될 수 있을까?"예시 변환:실험 요소프로젝트 확장 아이디어MovieLens 실험영화 추천 웹앱 만들기 (Flask/Streamlit)Cold-start 대응학습 초반 사용자.. 00021. [추천시스템 비교 시리즈 #6] 이걸로 학회 발표도 가능할까? 보고서와 슬라이드 준비법 실험과 논문 정리를 마쳤다면, 다음 스텝은 이 내용을 외부에 전달하는 일입니다.바로 학회 발표, 논문 심사, 산학 세미나, 포트폴리오 발표 등입니다.이번 편에서는 지금까지 정리한 추천 시스템 실험 내용을 어떻게 하면 보고서와 슬라이드로 구조화해서 발표할 수 있을지 알려드릴게요.✅ 1. 발표 주제 정리: 연구 요약 한 문장으로Transformer 기반 추천 시스템의 성능 및 실효성 분석: RNN 기반 구조와의 비교 실험을 중심으로좋은 발표는 이 한 줄로 모든 내용을 설명할 수 있어야 합니다.💡 이 한 줄이 바로 슬라이드 1페이지 제목이 되고, 보고서의 개요 문장이 됩니다.✅ 2. 발표용 보고서 구성 (PPT로 15장 내외)슬라이드 번호제목내용 요약1표지제목, 이름, 소속2연구 배경추천 시스템이 중요한 이.. 00020. [추천시스템 비교 시리즈 #5] 이걸로 논문 써도 될까? 구조 잡고 시작하는 논문 설계법 앞선 시리즈에서는 RNN과 Transformer 기반 추천 시스템을 실제로 구현하고, 정확도는 물론 cold-start, 추론 속도, 메모리 효율성 등 실무적 관점까지 비교해봤습니다.이제 슬슬 궁금해집니다:“이 실험 내용, 진짜 논문으로 써도 되는 걸까?”답은 YES입니다.단, 그냥 실험만 나열하면 “리포트”고,**구조 있게 정리하면 “논문”**이 됩니다.이번 편에서는 지금까지의 실험을 석사 논문 수준으로 구성하기 위한 설계법을 안내합니다.✅ 1. 논문 주제 정리 (한 줄로 설명할 수 있어야!)📌 주제 예시:Transformer 기반 추천 시스템의 성능 및 실효성 비교: RNN 구조와의 정량적 분석을 중심으로📌 연구 질문:"Transformer는 추천 시스템에 정말 실용적인가?"포인트: 단순히 “정확.. 00019. [추천시스템 비교 시리즈 #4] 추론 속도부터 cold-start까지, 누가 더 실용적인가? 지난 편에서는 RNN 계열 모델(GRU4Rec)과 Transformer 기반 모델(SASRec)을 동일한 조건에서 실험해보고, 추천 정확도를 중심으로 비교했습니다. 결과는 예상대로 Transformer의 승리였죠.하지만!정말 추천 시스템이 정확도만 좋으면 끝일까요?실제 서비스 환경에서는 ‘정확도’ 외에도 고려해야 할 요소들이 많습니다.얼마나 빠르게 추천할 수 있느냐 (추론 속도)메모리를 얼마나 차지하느냐 (리소스 효율성)희소 사용자(cold-start user)에게도 잘 작동하느냐 (유연성)이번 편에서는 실험을 통해 수집한 데이터와 함께, 두 모델의 실용성을 비교 분석합니다.✅ 1. 추론 응답 속도: 실시간 추천 가능한가?모델추론 시간 (1,000건 기준)GRU4Rec0.93초SASRec0.58초Tran.. 00018. [추천시스템 비교 시리즈 #3] RNN vs Transformer, 정확도는 누가 더 높을까? 지난 회차에서는 RecBole 라이브러리를 이용해 Transformer 기반 추천 모델인 SASRec을 직접 실행해보았습니다. 이제는 같은 실험 환경에서 RNN(LSTM) 기반 추천 모델을 실행하고, SASRec과의 성능 비교를 통해 어떤 모델이 실제로 더 추천에 효과적인지 확인해보겠습니다.✅ 실험 조건 요약항목값데이터셋MovieLens 100K모델RNN (LSTM), SASRec평가 지표Precision@5, Recall@5, NDCG@5, MRREpochs50OptimizerAdamLearning Rate0.001Embedding Size64✅ RNN(LSTM) 모델 실험 실행from recbole.quick_start import run_recbole# LSTM 모델 학습 (MovieLens 100.. 00017. [추천시스템 비교 시리즈 #2] SASRec 실험 직접 해보기 (RecBole 튜토리얼) 이전 글([#1] 추천시스템, 뭐가 좋은 거지? RNN vs Transformer?)에서는 추천 시스템 구조의 흐름과 RNN/Transformer 모델의 차이를 소개했어요.이번 편에서는 정말 실험을 직접 해봅니다. Transformer 기반 추천 모델 중 하나인 **SASRec(Self-Attentive Sequential Recommendation)**을 RecBole 라이브러리를 통해 실행해보며 실험 환경을 구축하고 결과를 확인하는 과정을 안내할게요.실험은 Windows + Jupyter Notebook + CMD 기반, 가상환경 없이 진행합니다.✅ 실험 준비물 정리항목설명Python3.9~3.10 (가상환경 X)RecBole추천 시스템 라이브러리Jupyter Notebook실험용 인터페이스Movie.. 00016. [추천시스템 비교 시리즈 #1] 추천시스템, 뭐가 좋은 거지? RNN vs Transformer? 추천 시스템이란 무엇일까요? Netflix가 당신에게 영화를 추천하고, 쿠팡이 다음 상품을 보여주고, 유튜브가 계속 볼 영상을 연결해주는 그 기술. 그 중심엔 추천 알고리즘이 있습니다.그런데 말이죠, 추천 알고리즘도 종류가 다양합니다. 그 중 요즘 연구에서 가장 많이 비교되는 건 바로 RNN 기반 모델과 Transformer 기반 모델이죠.그렇다면 정말 궁금해집니다:"RNN과 Transformer, 추천 시스템에선 뭐가 더 좋은 걸까?"이 시리즈에서는 직접 실험을 통해 이 질문에 답해보려고 합니다. 이 글은 그 첫 번째 에피소드로, 배경과 구조, 그리고 왜 이 비교가 중요한가를 설명하는 데 집중합니다.✅ RNN 기반 추천 시스템: 순서를 기억하는 모델RNN(Recurrent Neural Network)은.. 00026. [APP-00003] AI 음식 영양 분석 앱 개발기 #7 – 앱 완성 및 배포 준비 드디어 마지막 단계야! 이 에피소드에서는 앱을 깔끔하게 마무리하고, 실제 배포 가능한 형태로 준비하는 과정을 정리할 거야. 😎📦🎨 1단계: 앱 아이콘 & 스플래시 화면 설정앱 아이콘 설정원하는 아이콘 이미지 (512x512 PNG) 준비flutter_launcher_icons 패키지 설치:dev_dependencies: flutter_launcher_icons: ^0.13.1flutter_icons: android: true ios: true image_path: "assets/icon.png"실행:flutter pub getflutter pub run flutter_launcher_icons:main스플래시 화면 설정flutter_native_splash 패키지 설치:dev_dependen.. 이전 1 2 3 4 ··· 15 다음