손을 흔들며 반갑게 웃는 파이인공지능 파이썬 실무

TEACHER / UNIT 03

Ⅲ. 파이썬과 머신러닝 · 수업 요약

교과서 60–131쪽 · 도식 → 시연 → 학생 실험 → 설명 확인

교사 대문학생 실습실 →

50분 수업 운영 제안

단계시간교사 확인
도입·결과 예상5분정답 전에 입력·출력 예상 받기
구조 설명·시연10분도식과 코드의 각 부분 연결
학생 코드 변형25분정상·경계·오류 조건 확인
설명·저널10분결과 이유와 수정 근거 확인

평가 연결

항목관찰할 증거배점/연결
데이터 전처리·모델 구현분할·전처리·학습의 정확성10점
평가 지표 해석·결과 분석지표 의미·오류·개선안5점
저널 기록·제출 충실도과정과 해결 근거·제출률5점
교과서 대조·지도 유의사항

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 01. 머신러닝 개요 · 62–84쪽
소단원 01. 머신러닝이란? · 63–67쪽

이 웹 주제의 연계 범위: 62–67쪽

웹 학습 주제 01

AI·머신러닝·딥러닝의 관계

규칙을 직접 쓰는 것과 데이터에서 규칙을 배우는 것은 어떻게 다를까요?

AT A GLANCE

AI·머신러닝·딥러닝의 관계 · 한눈에 보기

인공지능 AI
머신러닝 ML
딥러닝 DL
접근규칙의 출처
규칙 기반사람이 조건 작성비밀번호 길이 검사
머신러닝데이터와 학습 알고리즘스팸 분류
딥러닝다층 신경망의 학습이미지 특징 학습
이 개념 실습으로 →
시연·발문·확인

발문: 규칙을 직접 쓰는 것과 데이터에서 규칙을 배우는 것은 어떻게 다를까요?

시연: 표의 예시를 학생의 학교생활 사례로 바꾸어 입력과 출력을 구별하게 합니다.

확인: 주변의 AI 서비스 하나에서 입력과 출력을 찾아 설명하세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 01. 머신러닝 개요 · 62–84쪽
소단원 02. 머신러닝의 필요성과 활용 · 68–70쪽

이 웹 주제의 연계 범위: 68–70쪽

웹 학습 주제 02

머신러닝이 필요한 문제와 활용

정확한 규칙을 쓰기 어려운 문제를 찾아보세요.

AT A GLANCE

머신러닝이 필요한 문제와 활용 · 한눈에 보기

  1. 1문제 찾기
  2. 2입력 데이터 정하기
  3. 3예측할 출력 정하기
  4. 4오류가 미칠 영향 점검
서비스입력예측
추천이용 기록·항목 특성선호 가능성
제조 검사제품 이미지정상/결함
대출량 예상과거 대출·요일예상 권수
이 개념 실습으로 →
시연·발문·확인

발문: 정확한 규칙을 쓰기 어려운 문제를 찾아보세요.

시연: 표의 예시를 학생의 학교생활 사례로 바꾸어 입력과 출력을 구별하게 합니다.

확인: 학교 도서 대출량을 예측한다면 어떤 데이터를 모을지 표로 적으세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 01. 머신러닝 개요 · 62–84쪽
소단원 03. 머신러닝 문제 해결 과정 · 71–75쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 02. 데이터 준비와 전처리 · 90–102쪽

이 웹 주제의 연계 범위: 71–75, 101–102쪽

웹 학습 주제 03

문제 해결 과정과 데이터 분할

모델을 만들기 전에 성공 기준을 정하세요.

AT A GLANCE

문제 해결 과정과 데이터 분할 · 한눈에 보기

  1. 1문제·성공 기준
  2. 2수집·탐색
  3. 3훈련/테스트 분할
  4. 4전처리·학습·검증
  5. 5최종 평가·해석
분할역할금지할 일
훈련전처리 값·모델 학습정답을 입력 특성에 포함
검증모델·설정 선택최종 테스트로 반복 선택
테스트선택 완료 후 최종 확인fit / fit_transform 호출
이 개념 실습으로 →
시연·발문·확인

발문: 모델을 만들기 전에 성공 기준을 정하세요.

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: 도서 대출 예측의 성공 기준을 평균 오차로 표현해 보세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 01. 머신러닝 개요 · 62–84쪽
소단원 04. 머신러닝의 주요 용어 · 76–78쪽

이 웹 주제의 연계 범위: 76–78쪽

웹 학습 주제 04

특성·레이블·모델·하이퍼파라미터

표의 어느 열을 X로, 어느 열을 y로 사용할까요?

AT A GLANCE

특성·레이블·모델·하이퍼파라미터 · 한눈에 보기

  1. 1샘플 1개
  2. 2입력 열 X특성 여러 개
  3. 3정답 열 y레이블
  4. 4fit → predict학습 후 예측
기호도서 예형태
X요일·최근 대출 수(샘플 수, 특성 수)
y다음 날 대출 수(샘플 수,)
하이퍼파라미터트리의 최대 깊이학습 전에 선택
이 개념 실습으로 →
시연·발문·확인

발문: 표의 어느 열을 X로, 어느 열을 y로 사용할까요?

시연: 표의 예시를 학생의 학교생활 사례로 바꾸어 입력과 출력을 구별하게 합니다.

확인: 미래 대출 수를 특성에 넣으면 왜 잘못된 평가가 되는지 설명하세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 01. 머신러닝 개요 · 62–84쪽
소단원 05. 머신러닝 학습 방법의 종류 · 79–82쪽

이 웹 주제의 연계 범위: 79–84쪽

웹 학습 주제 05

지도·비지도·강화 학습

정답을 배우나요, 구조를 찾나요, 행동의 보상을 배우나요?

AT A GLANCE

지도·비지도·강화 학습 · 한눈에 보기

  1. 1정답 있음지도 학습
  2. 2정답 없음비지도 학습
  3. 3상태·행동·보상강화 학습
유형목표
분류범주 예측스팸 여부
회귀수치 예측내일 기온
군집유사한 데이터 묶기고객 그룹
강화행동 전략 학습미로에서 탈출
이 개념 실습으로 →
시연·발문·확인

발문: 정답을 배우나요, 구조를 찾나요, 행동의 보상을 배우나요?

시연: 표의 예시를 학생의 학교생활 사례로 바꾸어 입력과 출력을 구별하게 합니다.

확인: 미로 탈출에 보상을 설계하고 반복 제자리 움직임을 막는 방법을 설명하세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 01. 파이썬 머신러닝 라이브러리 소개 · 86–89쪽

이 웹 주제의 연계 범위: 85–89쪽

웹 학습 주제 06

머신러닝 라이브러리와 그래프

배열·표·모델·그래프 도구를 연결해 보세요.

AT A GLANCE

머신러닝 라이브러리와 그래프 · 한눈에 보기

과일 빈도 막대그래프과일 빈도 막대그래프 · 제공 Python 예제의 실제 실행 결과 · 클릭하여 확대
  1. 1NumPy배열
  2. 2pandas표 정리
  3. 3scikit-learn학습·평가
  4. 4Matplotlib / Seaborn시각화
확인코드의미
앞부분df.head()표의 실제 값
구조df.info()자료형·결측 개수
통계df.describe()수치 분포
배열 크기array.shape축별 길이
이 개념 실습으로 →
시연·발문·확인

발문: 배열·표·모델·그래프 도구를 연결해 보세요.

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: 과일 종류와 개수를 바꾸고 그래프가 바뀌는지 확인하세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 02. 데이터 준비와 전처리 · 90–102쪽

이 웹 주제의 연계 범위: 90–100쪽

웹 학습 주제 07

결측치·이상치·스케일·범주 처리

값을 바꾼 이유와 기준을 남겨 보세요.

AT A GLANCE

결측치·이상치·스케일·범주 처리 · 한눈에 보기

  1. 1불러오기·자료형 확인
  2. 2분할 후 훈련 부분 탐색
  3. 3결측·이상치 처리 기준
  4. 4수치 스케일·범주 인코딩
  5. 5테스트에는 transform
처리배우는 기준확인
결측 채우기훈련 중앙값 등누락 의미 보존
정규화훈련 최소·최대새 값은 범위 밖 가능
표준화훈련 평균·표준편차분포 모양 보장 안 함
원-핫훈련 범주 목록알 수 없는 범주 대응
이 개념 실습으로 →
시연·발문·확인

발문: 값을 바꾼 이유와 기준을 남겨 보세요.

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: 1000점이 실제 값인지 입력 실수인지 확인할 질문을 적으세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 03. 주요 머신러닝 알고리즘 활용 · 103–111쪽

이 웹 주제의 연계 범위: 103–105쪽

웹 학습 주제 08

분류: k-NN·로지스틱·트리·SVM

이름에 회귀가 들어 있어도 범주를 예측하는 모델이 있어요.

AT A GLANCE

분류: k-NN·로지스틱·트리·SVM · 한눈에 보기

  1. 1붓꽃 X,y
  2. 2분할
  3. 3스케일 + 분류기 fit
  4. 4새 X로 predict
  5. 5정답과 비교
알고리즘핵심조절값 예
k-NN가까운 이웃n_neighbors
로지스틱클래스 확률C
결정 트리조건 분기max_depth
SVM분리 경계C / kernel
이 개념 실습으로 →
시연·발문·확인

발문: 이름에 회귀가 들어 있어도 범주를 예측하는 모델이 있어요.

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: k를 3과 7로 바꾸고 같은 분할에서 결과를 비교하세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 03. 주요 머신러닝 알고리즘 활용 · 103–111쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 04. 모델 평가와 선택 · 112–126쪽

이 웹 주제의 연계 범위: 106–107, 121–123쪽

웹 학습 주제 09

회귀와 수치 오차

예측 숫자는 정답에서 얼마나 떨어져 있나요?

AT A GLANCE

회귀와 수치 오차 · 한눈에 보기

  1. 1입력 특성
  2. 2가중합 + 절편
  3. 3예측 숫자
  4. 4정답과 오차 계산
지표작을수록?의미
MAE좋음원래 목표값 단위
MSE좋음큰 오차를 강하게 반영
클수록 좋음0은 평균 기준, 음수 가능
이 개념 실습으로 →
시연·발문·확인

발문: 예측 숫자는 정답에서 얼마나 떨어져 있나요?

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: 기울기 실험에서 MSE가 가장 작은 위치를 찾으세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 03. 주요 머신러닝 알고리즘 활용 · 103–111쪽

이 웹 주제의 연계 범위: 108–111쪽

웹 학습 주제 10

K-평균 군집화

정답 이름 없이 비슷한 점들을 묶을 수 있을까요?

AT A GLANCE

K-평균 군집화 · 한눈에 보기

군집과 중심점 산점도군집과 중심점 산점도 · 제공 Python 예제의 실제 실행 결과 · 클릭하여 확대
  1. 1K개 중심 초기화
  2. 2가장 가까운 중심에 배정
  3. 3그룹 평균으로 중심 갱신
  4. 4수렴까지 반복
속성의미
labels_샘플별 군집 번호
cluster_centers_군집 중심 좌표
n_clusters미리 정하는 그룹 수
random_state / n_init재현 조건 / 초기화 반복
이 개념 실습으로 →
시연·발문·확인

발문: 정답 이름 없이 비슷한 점들을 묶을 수 있을까요?

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: K를 2·3·4로 바꾸고 중심 위치와 군집의 의미를 비교하세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 04. 모델 평가와 선택 · 112–126쪽

이 웹 주제의 연계 범위: 117–120쪽

웹 학습 주제 11

혼동행렬·정확도·정밀도·재현율

어떤 종류의 실수가 더 중요한가요?

AT A GLANCE

혼동행렬·정확도·정밀도·재현율 · 한눈에 보기

  1. 1양성 의미 정하기
  2. 2예측 임계값 선택
  3. 3TP·FP·FN·TN 세기
  4. 4목표에 맞는 지표 해석
지표계산질문
정확도(TP+TN)/전체전체에서 얼마나 맞혔나?
정밀도TP/(TP+FP)양성이라고 한 것 중 맞은 비율?
재현율TP/(TP+FN)실제 양성 중 찾은 비율?
F12PR/(P+R)두 지표의 균형은?
이 개념 실습으로 →
시연·발문·확인

발문: 어떤 종류의 실수가 더 중요한가요?

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: 임계값을 올릴 때 FP와 FN이 어떻게 달라지는지 관찰하세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

중단원 02. 머신러닝 라이브러리 활용 · 85–128쪽
소단원 04. 모델 평가와 선택 · 112–126쪽

이 웹 주제의 연계 범위: 112–116, 124–128쪽

웹 학습 주제 12

교차 검증·튜닝·학습 곡선

한 번 나눈 점수만으로 모델을 선택해도 될까요?

AT A GLANCE

교차 검증·튜닝·학습 곡선 · 한눈에 보기

훈련과 검증의 학습 곡선훈련과 검증의 학습 곡선 · 제공 Python 예제의 실제 실행 결과 · 클릭하여 확대
  1. 1최종 테스트 별도 보관
  2. 2훈련 부분에서 교차 검증
  3. 3GridSearchCV로 설정 선택
  4. 4학습 곡선·오류 분석
  5. 5테스트 한 번 평가
관찰가능한 해석다음 실험
훈련↑ 검증↓과대 적합복잡도 감소·자료 추가
훈련↓ 검증↓과소 적합특성·모델 개선
분할마다 점수 차이불안정한 추정평균·편차 함께 보고
이 개념 실습으로 →
시연·발문·확인

발문: 한 번 나눈 점수만으로 모델을 선택해도 될까요?

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: best_score_와 최종 테스트 점수가 다른 이유를 설명하세요.

대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽

마무리·종합 평가 연계

이 웹 주제의 연계 범위: 129–131쪽 + 확장

웹 학습 주제 13

모델 구현·평가 프로젝트와 단원 정리

입력부터 결과 설명까지 재현 가능한 보고서를 만드세요.

AT A GLANCE

모델 구현·평가 프로젝트와 단원 정리 · 한눈에 보기

  1. 1문제·데이터 카드
  2. 2분할·전처리 코드
  3. 3모델 비교·선택
  4. 4최종 지표·한계
  5. 5저널·코드 제출
산출물포함할 것
실행 코드재현 조건과 패키지
결과 표훈련·검증·테스트 역할
해석오류 사례와 개선 근거
이 개념 실습으로 →
시연·발문·확인

발문: 입력부터 결과 설명까지 재현 가능한 보고서를 만드세요.

시연: 연결 예제를 실행하기 전에 결과를 예상하게 하고 입력·조건 하나를 바꿔 비교합니다.

확인: 같은 파이프라인에서 k 후보 하나를 추가하고 선택 근거를 기록하세요.