(미분류) 개발 팁

-

Vim 설정

  • fisa vim config를 이용해 python 개발에 vim 최적화하기. 기존 세팅과 함께 쓰고 싶으면 다음 단계를 따를 것.
    • 기존 .vimrc 파일을 .vimrc_old로 백업한다.
    • fisa_vim_config의 .vimrc 파일로 기존 .vimrc를 덮어쓴다.
    • cat .vimrc_old >> .vimrc 로 기존 .vimrc의 내용을 추가한 다음에 충돌하는 옵션을 조정

Comments

Post a Comment

Popular posts from this blog

맥락 기반(Context-aware) 추천 시스템은 어떻게 만드는가?

-
Image
행렬 분해(Matrix Factorization)를 이용한 추천 시스템 추천시스템을 설계하는 방법은 세상에 존재하는 추천시스템의 숫자만큼이나 많습니다. 각 시스템마다 데이터 특성이 다르기 때문이죠. 하지만 모든 추천시스템에 반드시 필요한 작업을 하나만 꼽으라면, 상품 간에 순위(ranking)를 매기는 것이라고 할 수 있습니다. 유저의 상품 선호도를 점수화해서 1등부터 꼴등까지 쫙 뽑은 다음 랭킹을 매기고, 아래와 같이 랭킹이 높은 순으로 상품들을 보여주는 거죠. 유저의 상품 선호도 점수를 뽑아내는 방법은 여러가지가 있지만, Netflix Challenge 이래로는 Matrix Factorization 계열이 주류였다고 볼 수 있습니다. 최근에는 딥러닝 계열 방법들이 주목을 받고 있지만, 노이즈에 대한 강건성(robustness)이나 스피드 측면에서 Matrix Factorization 방법론들은 여전히 매력적입니다. [그림 1. 간단한 Matrix Factorization 모델] 그림 1은 가장 단순한 Matrix Factorization 모델을 추천에 사용한다고 했을 때 input-output 구조를 표현한 것입니다. 추천 대상이 되는 유저 U의 ID와 추천할 수 있는 상품 A의 ID를 모델에 집어넣으면, 유저 U가 상품 A를 얼마나 좋아할 것 같은지를 점수화해서 예측해줍니다. 이 점수는 상품에 대한 사용자들의 별점(rating)을 의미할 수도 있고, 아니면 추상적인 상품 선호도(item preference)가 될 수도 있습니다. 이러한 Matrix Factorization 모델에서 유저 u의 상품 i에 대한 선호도는 다음과 같이 많이 씁니다. 여기서 는 유저와 상품을 k차원 벡터로 표현한 것입니다. 필요한 경우 다음과 같이 유저별 bias같은 정보를 더 추가할 수도 있습니다. 특히 상품에 대한 별점을 예측하는 경우에는 유저마다 점수를 후하게/박하게 주는 정도가 다르기 때문에 bias는 거의 필...
Read more

유튜브 추천시스템 논문 리뷰 Part 2 - Deep Neural Networks for YouTube Recommendations (RecSys 2016)

-
Image
유튜브 추천시스템 논문 리뷰 Part 1 에서는 전통적인 데이터 마이닝을 기반으로 만들어진 2010년 버전의 유튜브 추천시스템을 소개했었습니다. 디버깅이 용이하고 알고리즘 구성도 간단해서 실무적으로 유용할 것 같은 시스템이었죠. 하지만 2010년대 들어서 딥러닝(Deep Learning)이 본격적으로 주목받게 되면서, 유튜브 추천시스템도 딥러닝 기반으로 전환하게 되었습니다. 오늘 리뷰할 논문은 2016년에 RecSys에 제출된 Deep Neural Networks for YouTube Recommendations 라는 논문인데, 구글에서 딥러닝을 사용해서 어떻게 유튜브 추천시스템을 구성했는지를 담고 있습니다. System Overview [그림 1] 유튜브 추천시스템의 전체적인 구성 이 논문에서 소개하는 딥러닝 기반 추천시스템도 기본 구조는 이전에 Part 1 에서 소개되었던 candidate generation -> ranking의 2단계 구조를 따릅니다. Part 1을 안보신 분들을 위해 간략하게 설명드리자면, candidate generation은 유저의 유튜브 활동 정보(이전에 시청했던 영상들의 ID, 검색 기록, 성별/연령/지역 등)를 collaborative filtering으로 분석해서 엄청나게 많은 유튜브 영상들 중에서 해당 유저가 좋아할 것 같은 영상들만  high-precision으로, 대략적으로만  선별해내는 작업을 말합니다. ranking 단계에서는 candidate generation 단계에서 대충 좁혀놓은 비디오들과 유저의 정보들을 좀 더  자세히 들여다보면서  유저의 선호도 점수를 추정하고 선호도 순으로 추천을 하게 되구요. candidate generation 단계를 따로 두는 이유는 ranking의 scalability를 개선하기 위해서입니다. ranking에 사용될 후보 영상들의 개수를 확 줄이지 않으면, 유튜브 정도로 추천 가능한 상품(영상)들이 많은 시...
Read more

python standard 라이브러리인 bisect로 이진탐색하기

-
Leetcode나 TopCoder같은 알고리즘 문제은행 사이트를 돌다보면, 간혹 이진 탐색을 필요로 하는 문제를 마주칠 때가 있습니다. 저는 주 언어로 Python을 사용하기 때문에 보통 python으로 문제를 푸는데요, python solution들을 보면 이진 탐색을 직접 구현해서 문제를 푸는 경우가 매우 많습니다. 그런데 사실, python에는 이미 standard library에 이미 bisect 라는 이진 탐색 라이브러리가 구현이 되어있어서 이진 탐색 알고리즘을 따로 짤 필요가 없습니다. 대부분의 문제은행 사이트들이 custom library 설치를 지원하지 않는다는 점을 고려하면, bisect 라이브러리의 존재는 단비같은 존재라고 할 수 있겠지요. 오늘은 이 bisect 모듈을 이용해서 어떻게 이진 탐색을 할 수 있는지를 한번 알아보도록 하겠습니다. bisect 라이브러리는 이미 정렬된 리스트 에 대해서 적용할 수 있는 이진 탐색 관련 함수들을 제공하는데요, 총 6가지 함수들이 있습니다. bisect. bisect_left (a, x, lo=0, hi=len(a)) 정렬된 리스트 a에서 x보다 크거나 같은 첫 원소의 index를 return합니다. 만일 a의 모든 원소가 x보다 작다면 len(a)를 return합니다. lo, hi 값은 a의 특정 부분만 잘라내기 위한 half-open interval을 지정하는 용도로 쓰입니다. bisect. bisect_right (a, x, lo=0, hi=len(a)) 정렬된 리스트 a에서 x보다 큰 첫 원소의 index를 return합니다. 만일 a의 모든 원소가 x보다 작거나 같다면 len(a)를 return합니다. bisect. bisect (a, x, lo=0, hi=len(a)) bisect.bisect_right의 alias bisect. insort_left (a, x, lo=0, hi=len(a)) a.insert(bisect_left(a, x, lo=0, h...
Read more