문제코드SELECT *FROM ANIMAL_INSORDER BY ANIMAL_ID 출처: 프로그래머스 코딩 테스트 연습, https://school.programmers.co.kr/learn/courses/30/lessons/59034
코드 및 쿼리문
Implicit feedback사용자가 특정 행동을 취하지 않았더라도(예: 클릭, 구매) 해당 아이템에 대한 선호도를 추정하는 방법입니다.예를 들어, 사용자가 영화를 시청한 경우에는 그 영화를 좋아하는 것으로 간주할 수 있습니다.실제 비즈니스에서는 이러한 암묵적 피드백을 주로 사용하게 됩니다. (명시적 피드백은 데이터 구하기가 어렵고, 있다고 해도 편항이 있을수 있음)단 명시적인 피드백(별점, 리뷰 등)을 잘 이용하면 추천 퀄리티가 높아질수 있습니다.Implicit feedback을 고려한 알고리즘이나 라이브러리가 별도 있습니다. 데이터 특성이나 인프라, 환경, 서비스형태 등에 따라 잘 선택해야합니다.https://orill.tistory.com/entry/Explicit-vs-Implicit-Feedb..
최종 추천모델 클래스 구성Matrix Factorization(SVD), Machine Learning(GBR), Content+Poupularity 추천을 생성하는 코드SVD Recommenderimport pandas as pdfrom surprise import Dataset, Readerfrom surprise import SVDfrom sklearn.ensemble import GradientBoostingRegressorclass SVDRecommender: def __init__(self, df_mf): self.df_mf = df_mf self.svd_model = self.fit_svd_model() def fit_svd_model(self): ..
문제코드SELECT BOOK_ID, DATE_FORMAT(PUBLISHED_DATE, '%Y-%m-%d') AS PUBLISHED_DATEFROM BOOKWHERE CATEGORY = '인문' AND YEAR(PUBLISHED_DATE) = 2021ORDER BY PUBLISHED_DATE ASC; 출처: 프로그래머스 코딩 테스트 연습, https://school.programmers.co.kr/learn/courses/30/lessons/144853
Content-Based Filtering & PopularityContent-Based Filtering 은 이전 성능을 비교했던 추천 알고리즘과 다소 목적이 다릅니다.새로운 유저, 아이템에 대해 추천할 내용이 없는 경우 Cold Start 문제라고 하며 이는 추천시스템에서 반드시 다루어야할 과제입니다.Cold Start 문제를 사용자/아이템 프로파일링, 군집화를 이용해 해결할 수 있으나, 이를 위해 정교한 추가 데이터 분석이 필요합니다.이번 강의에서는 Content-Based Filtering과 Popularity-based 추천을 통해 해결하는 과정을 진행합니다.Content-based filtering유저 과거에 혹은 최근에 선호했던 아이템의 특성을 기반으로 비슷한 특성의 새로운 아이템을 추천하는..
문제코드SELECT PT_NAME, PT_NO, GEND_CD, AGE, IFNULL(TLNO,'NONE') AS TLNOFROM PATIENTWHERE AGE 출처: 프로그래머스 코딩 테스트 연습, https://school.programmers.co.kr/learn/courses/30/lessons/132201
