YES24 카테고리 리스트

YES24 유틸메뉴

Global YES24안내보기: Global YES24는?

K-POP/K-Drama 관련상품(음반,도서,DVD)을
영문/중문 으로 이용하실 수 있습니다.

Korean wave shopping mall, sell the
K-POP/K-Drama (CD,DVD,Blu-ray,Book) We aceept PayPal/UnionPay/Alipay
and support English/Chinese Language service
English
作为出售正规 K-POP/K-Drama 相关(CD,图书,DVD) 韩流商品的网站, 支持中文/英文等海外结账方式
中文
Exclusive ticket sales for domestic and international pop artists
Global yesticket

어깨배너

1/6

빠른분야찾기

YES24 코너/서비스

YES24 분야별코너

공유하기

소득공제

추천 시스템 원리와 구현 세트

카트에 넣기 바로구매

품목정보

품목정보
발행일	2022년 05월 30일
쪽수, 무게, 크기	972쪽 \| 18025549mm

이 상품의 이벤트 (6개)

실력있는 개발자를 위한 프로그래밍 전문서 : 한빛미디어 오라일리 시리즈

소진시
정가 인하 & 특가 할인 도서 모음

상시
YES24 트윈링 분철 : 인서트라벨/스티커 택1 증정

소진시
얼리리더를 위한 5월의 책 : 디즈니 캐릭터 PVC 마그넷 증정

2024년 05월 01일 ~ 2024년 05월 31일
오직, 예스24에서만

상시
예스24 X JTBC <소탐대실> 콜라보 [서탐대실]

소진시

펼쳐보기접어보기

책소개

『추천 시스템』 1장. 추천 시스템 소개 1.1 개요 1.2 추천 시스템의 목표 1.21 추천 애플리케이션의 범위 1.3 추천 시스템의 기본 모델 1.3.1 협업 필터링 모델 1.3.1.1 평점의 종류 1.3.1.2 결측치 분석과의 관계 1.3.1.3 분류와 회귀 모델링의 일반화로써의 협업 필터링 1.3.2 콘텐츠 기반 추천 시스템 1.3.3 지식 기반 추천 시스템 1.3.31 효용 기반 추천 시스템 1.3.4 인구 통계학적 추천 시스템 1.3.5 하이브리드와 앙상블 기반 추천 시스템 1.3.6 추천 시스템의 평가 1.4 추천 시스템의 도메인 특화 과제 1.4.1 컨텍스트 기반 추천 시스템 1.4.2 시간에 민감한 추천 시스템 1.4.3 위치 기반 추천 시스템 1.4.4 소셜 추천 시스템 1.4.4.1 노드와 링크의 구조적 추천 1.4.4.2 사회적 영향을 고려한 제품과 콘텐츠 추천 1.4.4.3 신뢰할 수 있는 추천 시스템 1.4.4.4 소셜 태그 피드백을 활용한 추천 1.5 고급 주제 및 애플리케이션 1.5.1 추천 시스템의 콜드 스타트 문제 1.5.2 공격에 강한 추천 시스템 1.5.3 그룹 추천 시스템 1.5.4 다중 기준 추천 시스템 1.5.5 추천 시스템의 능동 학습 1.5.6 추천 시스템의 개인정보보호 1.5.7 애플리케이션 도메인 1.6 요약 1.7 참고문헌 1.8 연습 문제 2장. 이웃 기반 협업 필터링 2.1 개요 2.2 평점 행렬의 주요 특징 2.3 이웃 기반 방법론의 평점 예측 2.3.1 사용자 기반 이웃 모델 2.3.1.1 유사도 함수 변형 2.3.1.2 예측함수의 변형 2.3.1.3 피어 그룹 필터링의 변형 2.3.1.4 롱테일의 영향 2.3.2 아이템 기반 이웃 모델 2.3.3 효율적 구현 및 계산 복잡성 2.3.4 사용자 기반 방법론과 아이템 기반 방법론의 비교 2.3.5 이웃 기반 방법론의 장점과 단점 2.3.6 사용자 기반과 아이템 기반 방법론의 통합된 관점 2.4 클러스터링과 이웃 기반 방법론 2.5 차원 축소와 이웃 기반 방법론 2.5.1 바이어스 문제 처리 2.5.1.1 최대 우도 추정 2.5.1.2 불완전한 데이터의 직접 행렬 인수분해 2.6 이웃 방법론의 회귀 모델링 관점 2.6.1 사용자 기반 최근접 이웃 회귀 2.6.1.1 희소성 및 바이어스 문제 2.6.2 아이템 기반 가장 근접 이웃 회귀 2.6.3 사용자 기반 및 아이템 기반 방법 결합 2.6.4 유사도 가중치를 이용하는 조인트 보간법 2.6.5 희소 선형 모델(SLIM) 2.7 이웃 기반 방법에 대한 그래프 모델 2.7.1 사용자-아이템 그래프 2.7.1.1 랜덤 워크를 이용한 이웃 정의 2.7.1.2 카츠 척도를 이용한 이웃 정의 2.7.2 사용자-사용자 그래프 2.7.3 아이템-아이템 그래프 2.8 요약 2.9 참고문헌 2.10 연습 문제 3장. 모델 기반 협업 필터링 3.1 개요 3.2 의사 결정 및 회귀 트리 3.2.1 의사 결정 트리를 협업 필터링으로 확장 3.3 규칙 기반 협업 필터링 3.3.1 협업 필터링을 위한 레버리지 연관 규칙의 활용 3.3.2 아이템별 모델 대 사용자별 모델 3.4 나이브 베이즈 협업 필터링 3.4.1 과적합 조정 3.4.2 이진 평점에 대한 베이즈 방법의 적용 예 3.5 임의의 분류 모델을 블랙 박스로 사용 3.5.1 예: 신경망을 블랙 박스로 사용 3.6 잠재 요인 모델 3.6.1 잠재 요인 모델에 대한 기하학적 직관 3.6.2 잠재 요인 모델에 관한 저차원 직관 3.6.3 기본 행렬 인수분해 원리 3.6.4 제약 없는 행렬 인수분해 3.6.4.1 확률적 경사하강법 3.6.4.2 정규화 3.6.4.3 점진적 잠재성분 훈련 3.6.4.4 최소 제곱과 좌표 하강의 교차 적용 3.6.4.5 사용자 및 아이템 바이어스 통합 3.6.4.6 암시적 피드백 통합 3.6.5 특이값 분해 3.6.5.1 SVD에 대한 간단한 반복 접근법 3.6.5.2 최적화 기반 접근법 3.6.5.3 표본 외 추천 3.6.5.4 특이값 분해의 예 3.6.6 비음행렬 인수분해 3.6.6.1 해석 가능성의 장점 3.6.6.2 암시적 피드백을 사용한 인수분해에 대한 고찰 3.6.6.3 암시적 피드백에 대한 계산 및 가중치 문제 3.6.6.4 좋아요와 싫어요가 모두 있는 평점 3.6.7 행렬 인수분해 계열의 이해 3.7 분해와 이웃 모델 통합 3.7.1 베이스라인 추정 모델: 개인화되지 않은 바이어스 중심 모델 3.7.2 모델의 이웃 부분 3.7.3 모델의 잠재 요인 부분 3.7.4 이웃 및 잠재 요인 부분의 통합 3.7.5 최적화 모델 풀기 3.7.6 정확도에 대한 고찰 3.7.7 잠재 요인 모델을 임의 모델과 통합 3.8 요약 3.9 참고문헌 3.10 연습 문제 4장. 콘텐츠 기반 추천 시스템 4.1 개요 4.2 콘텐츠 기반 시스템의 기본 구성 요소 4.3 전처리 및 피처 추출 4.3.1 피처 추출 4.3.1.1 상품 추천의 예 4.3.1.2 웹 페이지 추천의 예 4.3.1.3 음악 추천의 예 4.3.2 피처 표현 및 정제 4.3.3 사용자가 좋아하는 것과 싫어하는 것 수집 4.3.4 지도 피처 선택과 가중치 설정 4.3.4.1 지니 계수 4.3.4.2 엔트로피 4.3.4.3 X2-통계 4.3.4.4 정규화된 편차 4.3.4.5 피처 가중치 설정 4.4 사용자 프로파일 학습 및 필터링 4.4.1 최근접 이웃 분류 4.4.2 사례 기반 추천 시스템과의 연결 4.4.3 베이즈 분류 모델 4.4.3.1 중간 확률 추정 4.4.3.2 베이즈 모델의 예 4.4.4 규칙 기반 분류 모델 4.4.4.1 규칙 기반 방법의 예 4.4.5 회귀 기반 모델 4.4.6 기타 학습 모델 및 비교 개요 4.4.7 콘텐츠 기반 시스템에 관한 설명 4.5 콘텐츠 기반 대 협업 필터링 추천 4.6 협업 필터링 시스템을 위한 콘텐츠 기반 모델 사용 4.61 사용자 프로파일 활용 4.7 요약 4.8 참고문헌 4.9 연습 문제 5장. 지식 기반 추천 시스템 5.1 개요 5.2 제약 조건 기반 추천 시스템 5.2.1 관련 결과의 반환 5.2.2 상호작용 방법론 5.2.3 일치하는 아이템의 순위 매기기 5.2.4 허용되지 않는 결과 또는 공집합 처리 5.2.5 제약 조건 추가 5.3 사례 기반 추천 5.3.1 유사도 메트릭 5.3.1.1 유사도 계산에 다양성 통합 5.3.2 수정 방법론 5.3.2.1 간단한 수정 5.3.2.2 복합적 수정 5.3.2.3 동적 수정 5.3.3 수정에 대한 설명 5.4 지식 기반 시스템의 지속적인 개인화 5.5 요약 5.6 참고문헌 5.7 연습 문제 6장. 앙상블 기반과 하이브리드 추천 시스템 6.1 개요 6.2 분류 관점에서 본 앙상블 방법 6.3 가중 하이브리드 6.3.1 다양한 유형의 모델 조합 6.3.2 분류에서 배깅 적응 6.3.3 무작위성의 주입 6.4 스위칭 하이브리드 6.4.1 콜드 스타트 문제를 위한 스위칭 메커니즘 6.4.2 모델 버킷 6.5 캐스케이드 하이브리드 6.5.1 추천의 연속적인 재정의 6.5.2 부스팅 6.5.2.1 가중 기본 모델 6.6 피처 증강 하이브리드 6.7 메타 레벨 하이브리드 6.8 피처 결합 하이브리드 6.8.1 회귀 및 행렬 인수분해 6.8.2 메타 레벨 피처 6.9 혼합 하이브리드 6.10 요약 6.11 참고문헌 6.12 연습 문제 7장. 추천 시스템 평가 7.1 개요 7.2 평가 패러다임 7.2.1 사용자 연구 7.2.2 온라인 평가 7.2.3 과거 데이터 세트를 사용한 오프라인 평가 7.3 평가 디자인의 일반적 목표 7.3.1 정확성 7.3.2 커버리지 7.3.3 신뢰도와 신뢰 7.3.4 참신성 7.3.5 의외성 7.3.6 다양성 7.3.7 강건성과 안정성 7.3.8 확장성 7.4 오프라인 추천 평가의 설계 문제 7.4.1 넷플릭스 프라이즈 데이터 세트 사례 연구 7.4.2 학습 및 테스트 평점 분류 7.4.2.1 홀드 아웃 7.4.2.2 교차 검증 7.4.3 분류 설계와 비교 7.5 오프라인 평가의 정확도 지표 7.5.1 평점 예측의 정확도 측정 7.5.1.1 RMSE 대 MAE 7.5.1.2 롱테일의 영향력 7.5.2 상관관계를 통한 순위 평가 7.5.3 유용성을 통한 순위 평가 7.5.4 수신자 조작 특성을 통한 순위 평가 7.5.5 어떤 순위 측정 척도가 가장 좋은가? 7.6 평가 측정 척도의 한계 7.6.1 평가 조작 방지 7.7 요약 7.8 참고문헌 7.9 연습 문제 8장. 컨텍스트에 맞는 추천 시스템 8.1 개요 8.2 다차원 접근법 8.2.1 계층 구조의 중요성 8.3 컨텍스트 사전 필터링: 감소 기반 접근 방식 8.3.1 앙상블 기반 개선 사항 8.3.2 다단계 추정 8.4 사후 필터링 방법론 8.5 컨텍스트별 모델링 8.5.1 이웃 기반 방법 8.5.2 잠재 요인 모델 8.5.2.1 인수분해 머신 8.5.2.2 2차 인수분해 머신의 일반화 8.5.2.3 잠재 파라미터화의 다른 적용 사례 8.5.3 콘텐츠 기반 모델 8.6 요약 8.7 참고문헌 8.8 연습 문제 9장. 시간과 위치에 민감한 추천 시스템 9.1 개요 9.2 시간적 협업 필터링 9.2.1 최신성 기반 모델 9.2.1.1 감쇠 기반 방법 9.2.1.2 윈도우 기반 방법 9.2.2 주기적 컨텍스트 처리 9.2.2.1 사전 필터링과 사후 필터링 9.2.2.2 시간적 컨텍스트의 직접적인 포함 9.2.3 시간 함수로서의 평점 모델링 9.2.3.1 시간-SVD++ 모델 9.3 이산 시간 모델 9.3.1 마르코프 모델 9.3.1.1 선택적 마르코프 모델 9.3.1.2 다른 마르코프 대안 9.3.2 순차 패턴 마이닝 9.4 위치 인식 추천 시스템 9.4.1 선호 지역 9.4.2 여행 지역 9.4.3 선호도와 여행 위치 조합 9.5 요약 9.6 참고문헌 9.7 연습 문제 10장. 네트워크의 구조 추천 10.1 개요 10.2 순위 알고리듬 10.2.1 페이지랭크 10.2.2 개인화된 페이지랭크 10.2.3 이웃 기반 방법에 대한 응용 10.2.3.1 소셜 네트워크 추천 10.2.3.2 이종 소셜 미디어의 개인화 10.2.3.3 전통적인 협업 필터링 10.2.4 유사도랭크 10.2.5 검색과 추천의 관계 10.3 집단 분류에 의한 추천 10.3.1 반복 분류 알고리듬 10.3.2 랜덤 워크를 통한 레이블 전파 10.3.3 소셜 네트워크에서 협업 필터링에 대한 적용성 10.4 친구 추천: 링크 예측 10.4.1 이웃 기반 척도 10.4.2 카츠 척도 10.4.3 랜덤 워크 기반 척도 10.4.4 분류 문제로서의 링크 예측 10.4.5 링크 예측을 위한 행렬 인수분해 10.4.5.1 대칭 행렬 인수분해 10.4.6 링크 예측과 협업 필터링 간의 연결 10.4.6.1 협업 필터링에 링크 예측 알고리듬 사용 10.4.6.2 협업 필터링 알고리듬을 사용한 링크 예측 10.5 사회적 영향 분석 및 입소문 마케팅 10.5.1 선형 임계값 모델 10.5.2 독립 캐스케이드 모델 10.5.3 영향 함수 평가 10.5.4 소셜 스트림의 목표 영향 분석 모델 10.6 요약 10.7 참고문헌 10.8 연습 문제 11장. 사회와 신뢰 중심 추천 시스템 11.1 개요 11.2 사회적 맥락을 위한 다차원 모델 11.3 네트워크 중심과 신뢰 중심 방법론 11.3.1 신뢰 네트워크 구축을 위한 데이터 수집 11.3.2 신뢰 전파 및 집계 11.3.3 신뢰 전파가 없는 단순 추천 모델 11.3.4 TidalTrust 알고리듬 11.3.5 MoleTrust 알고리듬 11.3.6 TrustWalker 알고리듬 11.3.7 링크 예측 방법론 11.3.8 행렬 인수분해 방법론 11.3.8.1 로지스틱 함수의 개선 11.3.8.2 소셜 신뢰 성분의 변형 11.3.9 소셜 추천 시스템의 장점 11.3.9.1 논란의 여지가 있는 사용자와 아이템에 대한 추천 11.3.9.2 콜드 스타트의 유용성 11.3.9.3 공격 저항 11.4 소셜 추천 모델의 사용자 상호작용 11.4.1 포크소노미 표현하기 11.4.2 소셜 태깅 시스템의 협업 필터링 11.4.3 의미 있는 태그 선택 11.4.4 평점 행렬이 없는 소셜 태깅 추천 모델 11.4.4.1 컨텍스트 민감 시스템을 위한 다차원 방법론 11.4.4.2 순위 기반 방법론 11.4.4.3 콘텐츠 기반 방법론 11.4.5 평점 행렬을 사용한 소셜 태깅 추천 모델 11.4.5.1 이웃 기반 접근법 11.4.5.2 선형 회귀 11.4.5.3 행렬 인수분해 11.4.5.4 콘텐츠 기반 방법 11.5 요약 11.6 참고문헌 11.7 연습 문제 12장. 공격 방지 추천 시스템 12.1 개요 12.2 공격 모델의 트레이드 오프 이해 12.2.1 공격 영향 계량화 12.3 공격 유형 12.3.1 랜덤 공격 12.3.2 평균 공격 12.3.3 밴드 왜건 공격 12.3.4 인기 공격 12.3.5 사랑/증오 공격 12.3.6 역밴드 왜건 공격 12.3.7 탐지 공격 12.3.8 세그먼트 공격 12.3.9 기본 추천 알고리듬의 효과 12.4 추천 시스템에서 공격 탐지 12.4.1 개인 공격 프로파일 탐지 12.4.2 그룹 공격 프로파일 탐지 12.4.2.1 전처리 방법 12.4.2.2 온라인 방법 12.5 강력한 추천 디자인을 위한 전략 12.5.1 CAPTCHA를 사용한 자동 공격 방지 12.5.2 사회적 신뢰 사용 12.5.3 강력한 추천 알고리듬 설계 12.5.3.1 클러스터링을 이웃 방법에 통합 12.5.3.2 추천 시간 동안 가짜 프로파일 탐지 12.5.3.3 연관 기반 알고리듬 12.5.3.4 강건한 행렬 인수분해 12.6 요약 12.7 참고문헌 12.8 연습 문제 13장. 추천 시스템의 고급 주제 13.1 개요 13.2 순위학습 13.2.1 쌍별 순위학습 13.2.2 목록 순위학습 13.2.3 다른 도메인에서의 순위학습 방법과 비교 13.3 멀티암 밴딧 알고리듬 13.3.1 나이브 알고리듬 13.3.2 e-탐욕 알고리듬 13.3.3 상계(신뢰상한) 방법 13.4 그룹 추천 시스템 13.4.1 협업 및 콘텐츠 기반 시스템 13.4.2 지식 기반 시스템 13.5 다중 기준 추천 시스템 13.5.1 이웃 기반 방법 13.5.2 앙상블 기반 방법 13.5.3 전체 평점 없는 다중 기준 시스템 13.6 추천 시스템의 능동적 학습 13.6.1 이질성 기반 모델 13.6.2 성능 기반 모델 13.7 추천 시스템의 개인정보보호 13.7.1 응축 기반 개인정보보호 13.7.2 고차원 데이터에 대한 도전 13.8 흥미로운 응용 분야 13.8.1 포털 콘텐츠 개인화 13.8.1.1 동적 프로파일러 13.8.1.2 구글 뉴스 개인화 13.8.2 전산 광고 대 추천 시스템 13.8.2.1 멀티암 밴딧의 중요성 13.8.3 상호 추천 시스템 13.8.3.1 하이브리드 방법 활용 13.8.3.2 링크 예측 방법 활용 13.9 요약 13.10 참고문헌 『추천 시스템의 통계 기법』 1부. 소개 1장. 소개 2장. 전통적 기법 3장. 추천 문제를 위한 탐색-이용 4장. 평가 방법 2부. 일반적인 문제 상황 5장. 문제 구성과 시스템 설계 6장. 최고 인기 항목 추천 7장. 특성-기반 회귀를 통한 개인화 8장. 요인 모델을 통한 개인화 9장. 잠재 디리클레 할당을 통한 요인 분해 10장. 정황-의존 추천 11장. 다목적 최적화

펼쳐보기접어보기

저자 소개 (7명)

저 : 디팍 아가왈 (DR. DEEPAK K. AGARWAL)

관심작가 알림신청 작가 파일

빅데이터 분석가로 웹 애플리케이션의 검색 능력 개선에 기여한 최신 머신러닝과 통계 기법을 다년간 개발 및 배포한 경험을 가지고 있다. 또한 어려운 빅데이터 문제, 특히 추천 시스템과 컴퓨터 광고 분야의 문제를 해결하기 위한 연구를 주도했다. 미국통계협회(American Statistical Association)의 선임 연구원이며 통계 분야 최고권위 학술지의 편집장을 역임하고 있다. 빅데이터 분석가로 웹 애플리케이션의 검색 능력 개선에 기여한 최신 머신러닝과 통계 기법을 다년간 개발 및 배포한 경험을 가지고 있다. 또한 어려운 빅데이터 문제, 특히 추천 시스템과 컴퓨터 광고 분야의 문제를 해결하기 위한 연구를 주도했다. 미국통계협회(American Statistical Association)의 선임 연구원이며 통계 분야 최고권위 학술지의 편집장을 역임하고 있다.

저 : 비 청 첸 (DR. BEE-CHUNG CHEN)

관심작가 알림신청 작가 파일

최신 추천 시스템 개발에 많은 실무 및 연구 경험을 가진 선구적인 기술자다. 링크드인 홈페이지와 모바일 피드, 야후! 홈페이지, 야후! 뉴스 그 외 여러 사이트의 중심이 되는 추천 알고리듬의 핵심 설계자다. 연구 분야로는 추천 시스템, 데이터 마이닝(data mining), 머신러닝, 빅데이터 분석 등이 있다. 최신 추천 시스템 개발에 많은 실무 및 연구 경험을 가진 선구적인 기술자다. 링크드인 홈페이지와 모바일 피드, 야후! 홈페이지, 야후! 뉴스 그 외 여러 사이트의 중심이 되는 추천 알고리듬의 핵심 설계자다. 연구 분야로는 추천 시스템, 데이터 마이닝(data mining), 머신러닝, 빅데이터 분석 등이 있다.

저 : 차루 아가르왈 (Charu C. Aggarwal)

관심작가 알림신청 작가 파일

뉴욕 요크타운 하이츠의 IBM T. J. 왓슨 리서치 센터의 뛰어난 연구 회원(DRSM)이다. 1993년 IIT Kanpur에서 학사 학위를 받았고 1996년 MIT에서 박사 학위를 받았다. 데이터 마이닝 분야에서 폭넓게 일해왔고, 400개 이상의 논문을 콘퍼런스와 학술지에 발표했으며 80개 이상의 저작 특허권이 있다. 데이터 마이닝에 관한 교과서, 특이치 분석에 관한 포괄적인 책을 포함한 15권의 책을 저술하거... 뉴욕 요크타운 하이츠의 IBM T. J. 왓슨 리서치 센터의 뛰어난 연구 회원(DRSM)이다. 1993년 IIT Kanpur에서 학사 학위를 받았고 1996년 MIT에서 박사 학위를 받았다. 데이터 마이닝 분야에서 폭넓게 일해왔고, 400개 이상의 논문을 콘퍼런스와 학술지에 발표했으며 80개 이상의 저작 특허권이 있다. 데이터 마이닝에 관한 교과서, 특이치 분석에 관한 포괄적인 책을 포함한 15권의 책을 저술하거나 편집했다. 특허의 상업적 가치 덕분에 IBM에서 마스터 발명가로 세 번이나 지정됐다. 데이터 스트림에서 생물 테러리스트 위협 탐지에 대한 연구로 IBM 기업상(2003)을 수상했고, 프라이버시 기술에 대한 과학적인 공헌으로 IBM 우수 혁신상(2008)을 수상했다.
데이터 스트림 및 고차원적인 작업에 대한 각각의 작업을 인정받아 두 개의 IBM 우수 기술 성과상(2009, 2015)을 수상했다. 응축 기반 프라이버시 보존 데이터 마이닝에 관한 연구로 EDBT 2014 Test of Time Award를 수상했다. 또한 데이터 마이닝 분야에서 영향력 있는 연구 공헌에 대한 두 가지 최고상 중 하나인I EEE ICDM 연구 공헌상(2015)을 수상했다.
IEEE 빅데이터 콘퍼런스(2014)의 총괄 공동 의장직과 ACM CIKM 콘퍼런스(2015), IEEE ICDM 콘퍼런스(2015), ACM KDD 콘퍼런스(2016) 프로그램 공동 의장직을 역임했다. 2004년부터 2008년까지 「IEEE Transactions on Knowledge and Data Engineering」의 부편집장으로 일했다. 「ACM Transactions on Knowledge Discovery from Data」의 부편집장, 「IEEE Transactions on Big Data」의 부편집장, 「Data Mining and Knowledge Discovery Journal」과 「ACM SIGKDD Exploration」의 편집장, 「Knowledge and Information Systems Journal」의 부편집장이다. Springer의 간행물인 「Lecture Notes on Social Networks」 자문 위원회에서 활동하고 있으며 데이터 마이닝에 관한 SIAM 활동 그룹의 부사장을 역임했다. “contributions to knowledge discovery and data mining algorithms”에 관한 SIAM, ACM, IEEE의 펠로우다.

펼쳐보기접어보기

역 : 최영재

관심작가 알림신청 작가 파일

소프트웨어 분야에서 일하면서 좀 더 좋은 품질의 제품을 만들기 위해 노력해 왔다. 현재는 소프트웨어 공학과 관련된 강의를 하고 있으며 어떻게 하면 사용자가 안심하고 사용할 수 있는 AI 소프트웨어를 만들 수 있는지를 고민하고 있다. 소프트웨어와 관련된 국내외 표준과 여러 지식 체계의 개발에 참여하고 있으며 최근에는 누구나 믿고 사용할 수 있는 AI 시스템을 만드는 방법에 관심을 갖고 있다. 예측 모델, 추천 시스... 소프트웨어 분야에서 일하면서 좀 더 좋은 품질의 제품을 만들기 위해 노력해 왔다. 현재는 소프트웨어 공학과 관련된 강의를 하고 있으며 어떻게 하면 사용자가 안심하고 사용할 수 있는 AI 소프트웨어를 만들 수 있는지를 고민하고 있다. 소프트웨어와 관련된 국내외 표준과 여러 지식 체계의 개발에 참여하고 있으며 최근에는 누구나 믿고 사용할 수 있는 AI 시스템을 만드는 방법에 관심을 갖고 있다. 예측 모델, 추천 시스템 등 AI가 인간의 삶에 줄 수 있는 많은 가치를 실현하기 위해서는 모델이 가진 한계를 이해하고 AI가 뭔가를 어떤 방식으로 예측했는지 이해할 필요가 있다고 생각한다.

펼쳐보기접어보기

역 : 박희원

관심작가 알림신청 작가 파일

라이스대학교(Rice University)와 KAIST에서 관련 공부를 했으며, 이후 네이버, MOLOCO, 비바리퍼블리카를 거쳐 현재는 리테일업에서 개인화를 총괄하면서 추천 알고리듬들을 적용한 제품과 마케팅 전략을 만들어내고 있다. 라이스대학교(Rice University)와 KAIST에서 관련 공부를 했으며, 이후 네이버, MOLOCO, 비바리퍼블리카를 거쳐 현재는 리테일업에서 개인화를 총괄하면서 추천 알고리듬들을 적용한 제품과 마케팅 전략을 만들어내고 있다.

역 : 이주희

관심작가 알림신청 작가 파일

이론적 알고리듬 개발과 분석을 기반으로 실용적인 기술을 개발하고자 한다. 적정한 딥러닝을 활용한 기술 개발을 위해 인공지능 기술을 제어 분야에 접목한 지능제어 기술 분야에 참여해서 연구하고 있다. 이론적 알고리듬 개발과 분석을 기반으로 실용적인 기술을 개발하고자 한다. 적정한 딥러닝을 활용한 기술 개발을 위해 인공지능 기술을 제어 분야에 접목한 지능제어 기술 분야에 참여해서 연구하고 있다.

역 : 이진형

관심작가 알림신청 작가 파일

데이터에서 숨어 있는 인사이트를 찾는 일을 좋아한다. 11번가에서 데이터 엔지니어와 데이터 과학자 역할 사이에서 판매자와 구매자가 사용하는 개인화 추천 서비스를 제공하기 위해 데이터 파이프라인과 데이터 모델을 개발했으며, 현재는 카드 혜택 통합 관리 핀테크 스타트업 빅쏠에서 데이터 과학자로 일하고 있다. 데이터에서 숨어 있는 인사이트를 찾는 일을 좋아한다. 11번가에서 데이터 엔지니어와 데이터 과학자 역할 사이에서 판매자와 구매자가 사용하는 개인화 추천 서비스를 제공하기 위해 데이터 파이프라인과 데이터 모델을 개발했으며, 현재는 카드 혜택 통합 관리 핀테크 스타트업 빅쏠에서 데이터 과학자로 일하고 있다.

더보기접어보기

만든 이 코멘트

저자, 역자, 편집자를 위한 공간입니다. 독자들에게 전하고 싶은 말씀을 남겨주세요. 코멘트 쓰기

접수된 글은 확인을 거쳐 이 곳에 게재됩니다.
독자 분들의 리뷰는 리뷰 쓰기를, 책에 대한 문의는 1:1 문의를 이용해 주세요.

회원리뷰 (1건)

매주 10건의 우수리뷰를 선정하여 YES포인트 3만원을 드립니다.
3,000원 이상 구매 후 리뷰 작성 시 일반회원 300원, 마니아회원 600원의 YES포인트를 드립니다.
eBook은 다운로드 후 작성한 리뷰만 YES포인트 지급됩니다.
클래스, CD/LP, DVD/Blu-ray, 패션 및 판매금지 상품, 예스24 앱스토어 상품 제외됩니다. 리뷰/한줄평 정책 자세히 보기 낱권으로 등록된 리뷰가 포함되어 있습니다. 리뷰쓰기

1명의 예스24 회원이 평가한 평균별점

리뷰 총점10.0/ 10.0

별점별로 리뷰를 확인해 보세요.

한줄평 (3건)

1,000원 이상 구매 후 한줄평 작성 시 일반회원 50원, 마니아회원 100원의 YES포인트를 드립니다.
eBook은 다운로드 후 작성한 리뷰만 YES포인트 지급됩니다.
클래스, CD/LP, DVD/Blu-ray, 패션 및 판매금지 상품, 예스24 앱스토어 상품 제외됩니다. 리뷰/한줄평 정책 자세히 보기

평점 별 2점 별 4점 별 6점 별 8점 별 10점 작성 시 유의사항 한줄평 작성 시 유의사항

한글 기준 50자까지 작성가능 0/50

배송/반품/교환 안내

배송 안내

배송 안내
배송 구분	예스24 배송 배송비 : 무료배송
포장 안내	안전하고 정확한 포장을 위해 CCTV를 설치하여 운영하고 있습니다. 고객님께 배송되는 모든 상품을 CCTV로 녹화하고 있으며, 철저한 모니터링을 통해 작업 과정에 문제가 없도록 최선을 다 하겠습니다. 목적 : 안전한 포장 관리 촬영범위 : 박스 포장 작업

반품/교환 안내

※ 상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)

반품/교환 안내
반품/교환 방법	마이페이지 > 반품/교환 신청 및 조회, 1:1 문의, 고객만족센터(1544-3800), 중고샵(1566-4295) 판매자 배송 상품은 판매자와 반품/교환이 협의된 상품에 한해 가능합니다.
반품/교환 가능기간	출고 완료 후 10일 이내의 주문 상품 디지털 콘텐츠인 eBook의 경우 구매 후 7일 이내의 상품 중고상품의 경우 출고 완료일로부터 6일 이내의 상품 (구매확정 전 상태)
반품/교환 비용	고객의 단순변심 및 착오구매일 경우 상품 반송비용은 고객 부담임 직수입양서/직수입일서중 일부는 변심 또는 착오로 취소시 해외주문취소수수료 20%를 부과할수 있음 단, 아래의 주문/취소 조건인 경우, 취소 수수료 면제 오늘 00시 ~ 06시 30분 주문을 오늘 오전 06시 30분 이전에 취소 오늘 06시 30분 이후 주문을 익일 오전 06시 30분 이전에 취소 직수입 음반/영상물/기프트 중 일부는 변심 또는 착오로 취소 시 해외주문취소수수료 30%를 부과할 수 있음 단, 당일 00시~13시 사이의 주문은 취소 수수료 면제 박스 포장은 택배 배송이 가능한 규격과 무게를 준수하며, 고객의 단순변심 및 착오구매일 경우 상품의 반송비용은 박스 당 부과됩니다.
반품/교환 불가사유	소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우 : 예) 화장품, 식품, 가전제품, 전자책 단말기 등 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예) CD/LP, DVD/Blu-ray, 소프트웨어, 만화책, 잡지, 영상 화보집 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우 eBook 대여 상품은 대여 기간이 종료 되거나, 2회 이상 대여 했을 경우 취소 불가 중고상품이 구매확정(자동 구매확정은 출고완료일로부터 7일)된 경우 LP상품의 재생 불량 원인이 기기의 사양 및 문제인 경우 (All-in-One 일체형 일부 보급형 오디오 모델 사용 등) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
소비자 피해보상	상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 준하여 처리됨
환불 지연에 따른 배상	대금 환불 및 환불 지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리

최근 본 (0)

예스이십사(주): 대표 : 김석환, 최세라 주소 : 서울시 영등포구 은행로 11, 5층~6층(여의도동,일신빌딩) 사업자등록번호 : 229-81-37000 통신판매업신고 : 제 2005-02682호 사업자 정보확인 이메일 : yes24help@yes24.com 호스팅 서비스사업자 : 예스이십사(주)
Copyright ⓒ YES24 Corp. All Rights Reserved.

고객문의

도서/음반 1544-3800

중고샵 1566-4295

티켓예매 1544-6399

eBook 1:1 문의
1:1 문의하기 자주 묻는 질문 상담시간 안내

소비자피해보상보험 서울보증보험: 고객님은 안전거래를 위해 현금 등으로 결제 시 저희 쇼핑몰에서 가입한 구매안전서비스를 이용하실 수 있습니다. 서비스가입사실 확인

EQUUS3

YES24 카테고리 리스트

YES24 유틸메뉴

어깨배너

빠른분야찾기

추천 시스템 원리와 구현 세트

추천 시스템 원리와 구현 세트

출판사 추천

품목정보

관련분류

이 상품의 이벤트 (6개)

책소개

목차

저자 소개 (7명)

만든 이 코멘트

회원리뷰 (1건)

한줄평 (3건)

배송/반품/교환 안내

도착예상일

정가	73,000원
판매가	65,700원 (10% 할인)
YES포인트	3,650원 (5% 적립) 5만원이상 구매 시 2천원 추가적립 5만원이상 구매 시 2천원 추가적립 안내

도착예상일
상품준비	출고완료	도착예상일