VISUAL SUMMARY / UNIT 03
Ⅲ. 파이썬과 머신러닝 · 그림으로 정리
흐름도와 표를 보고 각 단계를 내 말로 설명하세요.
단원 실습으로 돌아가기 →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
AI·머신러닝·딥러닝의 관계
AT A GLANCEAI·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 |
실습하기 →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
머신러닝이 필요한 문제와 활용
AT A GLANCE머신러닝이 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 |
실습하기 →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
문제 해결 과정과 데이터 분할
AT A GLANCE문제 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 |
실습하기 →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
특성·레이블·모델·하이퍼파라미터
AT A GLANCE특성·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 |
실습하기 →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
지도·비지도·강화 학습
AT A GLANCE지도·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 |
실습하기 →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
머신러닝 라이브러리와 그래프
AT A GLANCE머신러닝 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 |
실습하기 →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
결측치·이상치·스케일·범주 처리
AT A GLANCE결측치·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 |
실습하기 →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
분류: k-NN·로지스틱·트리·SVM
AT A GLANCE분류: 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 |
실습하기 →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
회귀와 수치 오차
AT A GLANCE회귀와 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 |
실습하기 →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
K-평균 군집화
AT A GLANCEK-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 |
실습하기 →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
혼동행렬·정확도·정밀도·재현율
AT A GLANCE혼동행렬·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? |
실습하기 →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
교차 검증·튜닝·학습 곡선
AT A GLANCE교차 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 |
실습하기 →대단원 Ⅲ. 파이썬과 머신러닝 교과서 60–131쪽
마무리·종합 평가 연계
이 웹 주제의 연계 범위: 129–131쪽 + 확장
모델 구현·평가 프로젝트와 단원 정리
AT A GLANCE모델 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 |
실습하기 →
인공지능 파이썬 실무