금융덕후

추천시스템 추천의 분류 추천시스템을 고안할 때는 다음 8가지 분류를 고려해 고안한다: 추천의 도메인 추천의 목적 추천의 맥락 추천의 제안자 개인화의 정도 개인정보와 신뢰도 인터페이스 추천 알고리즘 추천의 도메인 무엇이 추천이 되고있는가? 기사인가, 물건인가, 상품인가? 사람을 추천하는 중인가? 연속적인 무언가 (음악 플레이리스트) 인가? 오래된 아이템을 대하는 방법 어떤 도메인에서는 새로운 아이템을 추천하는데에 관심이 있고 (영화나 책 등), 어떤 도메인에서는 오래된 아이템을 추천하는데에 관심이 있다 (음악, 상품 등) 추천의 목적 상품을 사거나 무언가를 소비하게 하는것 사용자/고객을 교육하는 것 상품이나 컨텐트의 커뮤니티를 형성하기 위한 것 추천의 맥락(Context) 추천이 이루어질 때 사용자는 무엇..

추천시스템 서론 비개인적추천이란 사용자의 선호도가 고려되지 않은 추천이다. 이번에는 개인적추천과 비개인적추천 모두에 사용되는 데이터가 어떻게 발생되고 모아지는지에 대해서 이야기 한다. 추천을 하기 위해서는, 사용자가 어떤것을 좋아하는지에 대한 데이터와 어떤것들이 연관성이 있는지에 대한 데이터가 필요하다. 많은 시스템들에서 이러한 데이터들은 어떠한 방식으로든 사용자에게서 모은다. 어떤 데이터가 모아지는지, 그 데이터들이 어떤 의미인지에 대해서 알아보려 한다. 선호도 모델 선호도는, 사용자가 액션 영화를 좋아하는지, 또는 어떤 물건들이 연관성이 있는지와 같은 방대한 범위의 데이터이다. 사용자들은 선호도를 나타내기 위해 어떤 행위를 하는가? 사용자들은 선호도를 나타내기 위해서 명시적으로 평점을 매기거나 물건을..

추천시스템 추천시스템의 역사 정보검색 정보검색 분야는 방대한 양의 문서들에 대해 질문할 수 있는 시스템이 필요해서 만들어졌다. 초반에 이 분야가 발전하게 된것은 컴퓨터 회사들의 많은 소송때문이었다. 같은 기술이 도서관의 카탈로그와, WWW의 페이지들의 색인을 만드는데 쓰인다. 사람들은 다이나믹하게 카탈로그를 조회할 수 있기를 원하기 때문에 실시간으로 조회하는 기능이 필요했다. 많이 쓰이는 방식중 하나는, 문서들의 단어들의 빈도수를 사용해 랭킹을 매겨주는 TFIDF라고 하는 방법이다. 정보 필터링 정보검색의 반대되는 추정에서 시작 사람들은 기사를 검색할 때, 주제에 맞는 모든 기사를 원하는 것이 아니라 나와 연관있는 것 또는 내가 관심있는 것만 원한다. 정보의 필요는 정적이지만, 컨텐트 베이스는 동적이다...

영공간(Null Space) A의 영공간은 $N(A)$라고 표현한다. 모든 원소가 $Ax = 0$를 만족하는 벡터의 집합 $N(A) = \{x|Ax = 0\}$ 벡터 공간으로서의 증명 덧셈에 대해 닫혀있다. $Ax_1 = 0$과 $Ax_2 = 0$에 대해, $x_1 + x_2 \in N(A)$를 만족한다. $A(x_1 + x_2) = Ax_1 + Ax_2 = \mathbb{0} + \mathbb{0} = \mathbb{0}$ 스칼라 곱에 대해 닫혀있다. $Ax = 0$와 $c$에 대해, $cx \in N(A)$를 만족한다 $A(cx) = cAx = \mathbb{0}$ 원점이 포함된다. x가 0이면 Ax는 항상 0이 된다. 예제) 다음 연립 방정식을 풀어본다. $\begin{cases} u + w = 0..

연립방정식에서 하나의 해가 아닐 때미지수의 갯수가 방정식의 갯수보다 많을 때 푸는 방법을 다룬다. 즉 무수히 많은 수의 해를 가질 때의 경우와 해가 없는 경우를 다루게 된다. 이 때 무수히 많은 해를 가질 때의 해를, 벡터공간이라고 하는 것으로 표현하는 방법을 알아본다. 예를 들어 다음과 같은 연립방정식이 있을 때, $\begin{cases} 2u + v + w = 5 \\ 4u - 6v = -2 \end{cases}$ 무수히 많은 해에 대한 표기를 어떻게 할것인가를 알아본다. 이 무수히 많은 해의 집합을 공간이라고 표현한다. 벡터 공간 (Vector Space)공간이란 원소들을 갖는 일종의 집합이다. 이 공간은 원소들의 덧셈과 스칼라 곱셈으로부터 닫혀있는 집합이다. 어떤 임의의 벡터들 $x, y \in..

역행렬 (Inverse Matrix)역행렬이란, n x n행렬 A에 대해 어느쪽에서 곱하든 Identity Matrix가 되는 행렬을 말한다. $A_{n\,x\,n}A^{-1} = A^{-1}A = I$ 위와 같이 교환법칙이 성립하는 것이 중요한 조건이다. n x n행렬이라고 해서 모든 행렬이 역행렬을 가지는 것은 아니다. $Det(A) \neq 0$ 일 때에만 역 행렬이 존재한다. (Det에 대해서는 추후에 다룰 예정) 역행렬의 특징A에 대해: 역행렬 $A^{-1}$는 가우스 소거법 뒤에 n pivot이 있을 때에 존재한다. n pivot들이란, 대각선의 값들이 0이 아니라는 의미 역행렬 $A^{-1}$는 두개 이상 존재할 수 없다 = Unique하다. 역행렬 $A^{-1}$가 존재한다면, $x = A..

가우스 소거법과 선형 결합가우스 소거법에서 일정 계수를 곱해주고 특정 행을 빼는 행위는, 선형변환으로 표현할 수 있고, 이 선형변환은 행렬로 표현될 수 있다. 다음과 같은 연립방정식이 표현된 행렬이 있다. $\begin{bmatrix} 2 \quad 1 \quad 1 \\ 4 \quad -6 \quad 0 \\ -2 \quad 7 \quad 2 \end{bmatrix}$ 가우스 소거법의 첫번째 단계를 진행하면, 첫번째 행에 계수를 곱해 두번째 행에서 빼주는 것이다: (2) - 2 * (1) 이를 진행하면 다음과 같은 행렬이 나온다: $\begin{bmatrix} 2 \quad 1 \quad 1 \\ 0 \quad -8 \quad 2 \\ -2 \quad 7 \quad 2 \end{bmatrix}$ 이는 ..

좋은 논문의 요건 독창성 새로운 정보/사실이나 사실로 인정된 것이 잘못되었다는 입증이 있어야 한다. 새로운 사실을 발견하고 해결책을 모색하는 것 새로운 어떠한것이 드러나는 참신성이 있어야 한다. 기존의 이론을 새로운 방식으로 구축하는 것 기존의 이론을 새로운 분야에 적용하는 것 기존의 이론을 새로운 연구 결과로 강화하는 것 기존의 연구 결과와의 상이한 점을 관찰하고 이유를 설명하는 것 기존의 연구 결과로부터 다른 연구와의 연관성을 발견하는 것 정확성 논문의 내용은 독자에게 올바르고 정확하게 전달해야 한다. 부정확한 자료가 아니라, 수치 자료는 면밀하게 분석하고 평가해야 한다. 자료의 오류는 연구자의 책임이기 때문에 정확한 자료를 사용해야 한다. 객관성 제 3자의 입장에서 객관적으로 작성해야 한다. 철저하..

논문의 정의 연구자가 학문 발전의 목적으로, 새로운 발견을 알리거나, 고유한 견해를 설득하기 위해 학문 공동체가 요구하는 형식에 맞춰 집필하는 학술적인 글 논문의 목적 학문적차원 - 새로운 지식을 생산 및 공유, 학문 공동체의 발전을 도모 개인적차원 - 연구자 자신의 경력에 기여 사회적차원 - 문명의 진보에 기여 논문의 성격 학문 발전에 기여하기 위한 글 연구자의 창의성이 드러나는 글 연구자 고유의 별견이나 견해를 입증하기 위한 정확성, 객관성, 논리성을 확보하는 글 학문 공동체의 정해진 형식성, 체계성을 준수하는 글 학문분야 및 사회 발전에 기여하는 글 - 유용성/윤리성 논문의 종류 기업이나 연구소의 논증적으로 서술한 보고서나 평론 학문분야는 인문학, 사회과학, 자연과학, 공학 논문으로 구분 방법론에 ..

데이터 바인딩 외부에서 입력된 값을 통해 자바 객체의 Property, 즉 멤버변수에 설정하는 과정을 데이터 바인딩이라고 한다. DataBinder 이러한 프로세스는 웹 통신에서 데이터를 주고받을 때 자주 일어난다. HTTP요청이 들어오면 해당 요청은 Json으로 되어있고, Json으로 들어온 요청을 애플리케이션에서 사용할 Java객체로 변환해야 한다. 이 때 하나하나 매핑해서 사용할 수도 있지만, DataBinder를 사용하면, 형변환 등 여러가지를 편리하게 해준다. request라는 HTTP요청이 도착했을 때, DataObject로 변환시켜주는 예제이다. DataObject obj = new DataObject(); ServletRequestDataBinder dataBinder = new Servl..