TEACHER / UNIT 03
Ⅲ. 파이썬과 머신러닝 · 수업 요약
교과서 60–131쪽 · 도식 → 시연 → 학생 실험 → 설명 확인
50분 수업 운영 제안
| 단계 | 시간 | 교사 확인 |
|---|---|---|
| 도입·결과 예상 | 5분 | 정답 전에 입력·출력 예상 받기 |
| 구조 설명·시연 | 10분 | 도식과 코드의 각 부분 연결 |
| 학생 코드 변형 | 25분 | 정상·경계·오류 조건 확인 |
| 설명·저널 | 10분 | 결과 이유와 수정 근거 확인 |
평가 연결
| 항목 | 관찰할 증거 | 배점/연결 |
|---|---|---|
| 데이터 전처리·모델 구현 | 분할·전처리·학습의 정확성 | 10점 |
| 평가 지표 해석·결과 분석 | 지표 의미·오류·개선안 | 5점 |
| 저널 기록·제출 충실도 | 과정과 해결 근거·제출률 | 5점 |
교과서 대조·지도 유의사항
- 브라우저는 작은 원리 구현과 배열·표·그래프 실습을 제공합니다. scikit-learn 전체 예제는 PC 경로이며 Python 문법 확인과 ZIP 다운로드가 가능합니다.
- 84쪽 확인학습 1③은 정답 없는 패턴 학습을 지도 학습이라고 하므로 ×입니다. 정답편 206쪽의 ○ 표기와 다릅니다.
- 128쪽 순서 문제의 정답편은 변환 뒤 분할합니다. 실제 모델 실습에서는 먼저 테스트를 떼고 훈련 데이터로 전처리 통계량을 학습합니다.
- 65쪽 딥 블루 사례를 현대의 데이터 학습형 딥러닝과 동일시하지 않습니다.
- 정규화(normalization)와 규제(regularization)는 용어가 겹쳐 번역될 수 있으나 기능이 다릅니다.
- 분류 지표는 양성 레이블을 먼저 명시합니다. R²는 음수가 될 수 있습니다.
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?
AI·머신러닝·딥러닝의 관계 · 한눈에 보기
| 접근 | 규칙의 출처 | 예 |
|---|---|---|
| 규칙 기반 | 사람이 조건 작성 | 비밀번호 길이 검사 |
| 머신러닝 | 데이터와 학습 알고리즘 | 스팸 분류 |
| 딥러닝 | 다층 신경망의 학습 | 이미지 특징 학습 |
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.
머신러닝이 필요한 문제와 활용 · 한눈에 보기
- 1문제 찾기
- 2입력 데이터 정하기
- 3예측할 출력 정하기
- 4오류가 미칠 영향 점검
| 서비스 | 입력 | 예측 |
|---|---|---|
| 추천 | 이용 기록·항목 특성 | 선호 가능성 |
| 제조 검사 | 제품 이미지 | 정상/결함 |
| 대출량 예상 | 과거 대출·요일 | 예상 권수 |
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.
문제 해결 과정과 데이터 분할 · 한눈에 보기
- 1문제·성공 기준
- 2수집·탐색
- 3훈련/테스트 분할
- 4전처리·학습·검증
- 5최종 평가·해석
| 분할 | 역할 | 금지할 일 |
|---|---|---|
| 훈련 | 전처리 값·모델 학습 | 정답을 입력 특성에 포함 |
| 검증 | 모델·설정 선택 | 최종 테스트로 반복 선택 |
| 테스트 | 선택 완료 후 최종 확인 | fit / fit_transform 호출 |
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?
특성·레이블·모델·하이퍼파라미터 · 한눈에 보기
- 1행샘플 1개
- 2입력 열 X특성 여러 개
- 3정답 열 y레이블
- 4fit → predict학습 후 예측
| 기호 | 도서 예 | 형태 |
|---|---|---|
| X | 요일·최근 대출 수 | (샘플 수, 특성 수) |
| y | 다음 날 대출 수 | (샘플 수,) |
| 하이퍼파라미터 | 트리의 최대 깊이 | 학습 전에 선택 |
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?
지도·비지도·강화 학습 · 한눈에 보기
- 1정답 있음지도 학습
- 2정답 없음비지도 학습
- 3상태·행동·보상강화 학습
| 유형 | 목표 | 예 |
|---|---|---|
| 분류 | 범주 예측 | 스팸 여부 |
| 회귀 | 수치 예측 | 내일 기온 |
| 군집 | 유사한 데이터 묶기 | 고객 그룹 |
| 강화 | 행동 전략 학습 | 미로에서 탈출 |
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.
머신러닝 라이브러리와 그래프 · 한눈에 보기
과일 빈도 막대그래프 · 제공 Python 예제의 실제 실행 결과 · 클릭하여 확대- 1NumPy배열
- 2pandas표 정리
- 3scikit-learn학습·평가
- 4Matplotlib / Seaborn시각화
| 확인 | 코드 | 의미 |
|---|---|---|
| 앞부분 | df.head() | 표의 실제 값 |
| 구조 | df.info() | 자료형·결측 개수 |
| 통계 | df.describe() | 수치 분포 |
| 배열 크기 | array.shape | 축별 길이 |
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.
결측치·이상치·스케일·범주 처리 · 한눈에 보기
- 1불러오기·자료형 확인
- 2분할 후 훈련 부분 탐색
- 3결측·이상치 처리 기준
- 4수치 스케일·범주 인코딩
- 5테스트에는 transform
| 처리 | 배우는 기준 | 확인 |
|---|---|---|
| 결측 채우기 | 훈련 중앙값 등 | 누락 의미 보존 |
| 정규화 | 훈련 최소·최대 | 새 값은 범위 밖 가능 |
| 표준화 | 훈련 평균·표준편차 | 분포 모양 보장 안 함 |
| 원-핫 | 훈련 범주 목록 | 알 수 없는 범주 대응 |
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.
분류: k-NN·로지스틱·트리·SVM · 한눈에 보기
- 1붓꽃 X,y
- 2분할
- 3스케일 + 분류기 fit
- 4새 X로 predict
- 5정답과 비교
| 알고리즘 | 핵심 | 조절값 예 |
|---|---|---|
| k-NN | 가까운 이웃 | n_neighbors |
| 로지스틱 | 클래스 확률 | C |
| 결정 트리 | 조건 분기 | max_depth |
| SVM | 분리 경계 | C / kernel |
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?
회귀와 수치 오차 · 한눈에 보기
- 1입력 특성
- 2가중합 + 절편
- 3예측 숫자
- 4정답과 오차 계산
| 지표 | 작을수록? | 의미 |
|---|---|---|
| MAE | 좋음 | 원래 목표값 단위 |
| MSE | 좋음 | 큰 오차를 강하게 반영 |
| R² | 클수록 좋음 | 0은 평균 기준, 음수 가능 |
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?
K-평균 군집화 · 한눈에 보기
군집과 중심점 산점도 · 제공 Python 예제의 실제 실행 결과 · 클릭하여 확대- 1K개 중심 초기화
- 2가장 가까운 중심에 배정
- 3그룹 평균으로 중심 갱신
- 4수렴까지 반복
| 속성 | 의미 |
|---|---|
| labels_ | 샘플별 군집 번호 |
| cluster_centers_ | 군집 중심 좌표 |
| n_clusters | 미리 정하는 그룹 수 |
| random_state / n_init | 재현 조건 / 초기화 반복 |
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?
혼동행렬·정확도·정밀도·재현율 · 한눈에 보기
- 1양성 의미 정하기
- 2예측 임계값 선택
- 3TP·FP·FN·TN 세기
- 4목표에 맞는 지표 해석
| 지표 | 계산 | 질문 |
|---|---|---|
| 정확도 | (TP+TN)/전체 | 전체에서 얼마나 맞혔나? |
| 정밀도 | TP/(TP+FP) | 양성이라고 한 것 중 맞은 비율? |
| 재현율 | TP/(TP+FN) | 실제 양성 중 찾은 비율? |
| F1 | 2PR/(P+R) | 두 지표의 균형은? |
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?
교차 검증·튜닝·학습 곡선 · 한눈에 보기
훈련과 검증의 학습 곡선 · 제공 Python 예제의 실제 실행 결과 · 클릭하여 확대- 1최종 테스트 별도 보관
- 2훈련 부분에서 교차 검증
- 3GridSearchCV로 설정 선택
- 4학습 곡선·오류 분석
- 5테스트 한 번 평가
| 관찰 | 가능한 해석 | 다음 실험 |
|---|---|---|
| 훈련↑ 검증↓ | 과대 적합 | 복잡도 감소·자료 추가 |
| 훈련↓ 검증↓ | 과소 적합 | 특성·모델 개선 |
| 분할마다 점수 차이 | 불안정한 추정 | 평균·편차 함께 보고 |
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.
모델 구현·평가 프로젝트와 단원 정리 · 한눈에 보기
- 1문제·데이터 카드
- 2분할·전처리 코드
- 3모델 비교·선택
- 4최종 지표·한계
- 5저널·코드 제출
| 산출물 | 포함할 것 |
|---|---|
| 실행 코드 | 재현 조건과 패키지 |
| 결과 표 | 훈련·검증·테스트 역할 |
| 해석 | 오류 사례와 개선 근거 |
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.
인공지능 파이썬 실무