[ 배운 내용 ]

 

 

1) 데이터 사이언스 영역

 

[1] 분석 : 수학, 확률, 통계학, 머신러닝, 딥러닝 등

 

[2] 정보기술 : 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우스 등

 

[3] 비즈니스 이해(컨설팅) : 도메인 지식, 프레젠테이션, 스토리텔링, 시각화 등

 

** 비즈니스 이해에서는 어떤 데이터인지를 이해하는 것이 중요하다.

 

 

2) 금융 상품의 종류 및 추천

 

예금 및 대출, 금융 투자 상품, 보험 상품, 카드 등을 금융 상품이라고 한다.

 

추천 시스템을 사용해 특정 사용자가 관심을 가질 만한 정보를 추천한다.

 

가설 및 예측을 바탕으로 하며 개인화 및 다양한 활용이 용이하다.

 

 

3) 구현 알고리즘(방식)

 

컨텐츠 기반 필터링 / 협업 필터링 / 하이브리드(컨텐츠 기반과 협업의 혼합)

 

협업 필터링은 기억 기반 / 모델 기반 이렇게 2가지로 나뉘고

 

기억 기반은 다시 사용자 기반과 아이템 기반으로 나뉜다.

 

 

4) 서비스 검토 사항

 

공정성과 적정성이 매우 중요하다.

 

[1] 공정성 

 

○ 특정 이익, 기업 상품을 고려 또는 배제하지 않아야 한다.

 

○ 알고리즘이 왜곡되지 않아야 한다.

 

○ 가입조건과 무관하게 임의로 금융 소비자를 차별하지 말아야 한다.

 

[2] 적정성

 

○ 금융상품 비교 및 추천 알고리즘은 금융소비자에게 유리한 순으로 제공되어야 한다.

 

○ 소비자가 합리적인 선택을 하도록 다양한 금융상품이 제공되어야 한다.

 

 

5) 추천 시스템 사례

 

○ 컨텐츠 기반 필터링 - 상품 추천

 

상품들의 특징을 추출해 특빙 벡터로 변환한다.

 

유사성 분석 방법과 계산 방법이 중요하다.

 

군집 분석, 코사인 유사도, 맨하튼 거리, 유클리드 거리 등이 대표적으로 활용된다.

 

○ 협업 필터링 - 아이템 추천

 

모델 기반 - 사용자가 평가하지 않은 항목들의 평점을 예측하여 추천하기도 한다.

 

기억기반 - 코사인 유사도나 피어슨 상관계수 유사도를 사용해 아이템을 추천한다.

 

○ 머신러닝 - Wide & Deep

 

Wide 모델 : 설치한 앱과 열람한 앱 관계성을 학습한다.

 

Deep 모델 : 앱의 정보를 이용해 앱과의 관계를 학습한다.

 

 

[ 느낀 점 및 각오 ]

 

 

데이터를 다루는 사람으로써 윤리적인 측면을 충분히 고려해야 한다는 것을 이 강의를 통해 배웠다.

 

소비자를 차별하거나 편향된 관점에서 소비자에게 서비스를 제공하는 것이 잘못된 것임을 알았다.

 

강의에서 벡터로 데이터 셋을 만들어서 직접 계수들을 계산하는 과정을 보았는데

 

코딩을 배우는 것도 중요하고 데이터 셋으로 어떤 값을 어떻게 활용해야 하는지도 중요함을 깨달았다.

 

단순히 항목들을 수치화 하는 것을 넘어서 이를 어떤 결과값으로 만들어 내고 이를 토대로

 

결론을 내리거나 분석을 하는 과정이 멋있다고 생각한다.

 

앞으로 코딩 프로그램(영상에서는 코렙이 등장했다.)들과 

 

여러 계산 방법들(코사인 유사도, 유클리드 거리 등)을 추가로 학습해보고 싶다.