00장 실습 환경 안내(코랩)1단계 : 배경지식 익히기01장 한눈에 살펴보는 머신러닝__1.1 인공지능, 머신러닝, 딥러닝__1.2 머신러닝 기법 : 지도 학습, 비지도 학습, 강화 학습__1.3 머신러닝 프로세스__1.4 TOP 10 알고리즘의 성능 비교__1.5 머신러닝 핵심 라이브러리__1.6 데이터 시각화 그래프 종류__1.7 피처 엔지니어링 기법__1.8 변수란 무엇인가?학습 마무리02장 파이썬 기초 익히기__2.1 프로그래밍 기본 : 산술 연산, 변수, 출력__2.2 자료형과 자료구조__2.3 반복문 : for문, while문__2.4 조건문 : if문__2.5 파이썬 내장 함수__2.6 나만의 함수 만들기 : def학습 마무리03장 유용한 라이브러리 : 판다스와 넘파이__3.1 판다스__3.2 넘파이학습 마무리2단계 : 답을 알려줘야 학습하는 머신러닝 지도학습 알고리즘04장 선형 회귀 : 보험료 예측하기__4.1 문제 정의 : 한눈에 보는 예측 목표__4.2 라이브러리 및 데이터 불러오기__4.3 데이터 확인하기__4.4 전처리 : 학습셋과 시험셋 나누기__4.5 모델링__4.6 모델을 활용해 예측하기__4.7 예측 모델 평가하기__4.8 이해하기 : 선형 회귀학습 마무리연습 문제05장 로지스틱 회귀 : 타이타닉 생존자 예측하기__5.1 문제 정의 : 한눈에 보는 예측 목표__5.2 라이브러리 및 데이터 불러오기__5.3 데이터 확인하기__5.4 전처리 : 범주형 변수 변환하기(더미 변수와 원-핫 인코딩)__5.5 모델링 및 예측하기__5.6 예측 모델 평가하기__5.7 이해하기 : 피처 엔지니어링__5.8 이해하기 : 로지스틱 회귀학습 마무리연습 문제06장 K-최근접 이웃(KNN) : 와인 등급 예측하기__6.1 문제 정의 : 한눈에 보는 예측 목표__6.2 라이브러리 및 데이터 불러오기__6.3 데이터 확인하기__6.4 목푯값에서 고윳값 확인하기__6.5 전처리 : 결측치 처리하기__6.6 스케일링__6.7 모델링 및 예측/평가하기__6.8 하이퍼파라미터 튜닝하기__6.9 이해하기 : K-최근접 이웃학습 마무리연습 문제07장 나이브 베이즈 : 스팸 여부 판단하기__7.1 문제 정의 : 한눈에 보는 예측 목표__7.2 라이브러리 및 데이터 불러오기 & 데이터 확인__7.3 전처리 : 특수 기호 제거하기__7.4 전처리 : 불용어 제거하기__7.5 전처리 : 목표 컬럼 형태 변경하기__7.6 전처리 : 카운트 기반으로 벡터화하기__7.7 모델링 및 예측/평가하기__7.8 이해하기 : 나이브 베이즈 모델학습 마무리연습 문제08장 결정 트리 : 연봉 예측하기__8.1 문제 정의 : 한눈에 보는 예측 목표__8.2 라이브러리 및 데이터 불러오기, 데이터 확인하기__8.3 전처리 : 범주형 데이터__8.4 전처리 : 결측치 처리 및 더미 변수 변환__8.5 모델링 및 평가하기__8.6 이해하기 : 결정 트리__8.7 오버피팅 문제__8.8 매개변수 튜닝__8.9 트리 그래프학습 마무리연습 문제09장 랜덤 포레스트 : 중고차 가격 예측하기__9.1 문제 정의 : 한눈에 보는 예측 목표__9.2 라이브러리 및 데이터 불러오기, 데이터 확인하기__9.3 전처리 : 텍스트 데이터__9.4 전처리 : 결측치 처리와 더미 변수 변환__9.5 모델링 및 평가하기__9.6 이해하기 : K-폴드 교차검증__9.7 이해하기 : 랜덤 포레스트__9.8 하이퍼파라미터 튜닝학습 마무리연습 문제10장 XGBoost : 커플 성사 여부 예측하기__10.1 문제 정의 : 한눈에 보는 예측 목표__10.2 라이브러리 및 데이터 불러오기, 데이터 확인하기__10.3 전처리 : 결측치 처리__10.4 전처리 : 피처 엔지니어링__10.5 모델링 및 평가__10.6 이해하기 : 경사하강법__10.7 하이퍼파라미터 튜닝 : 그리드 서치__10.8 중요 변수 확인__10.9 이해하기 : XGBoost학습 마무리연습 문제11장 LightGBM : 이상거래 예측하기__11.1 문제 정의 : 한눈에 보는 예측 목표__11.2 라이브러리 및 데이터 불러오기, 데이터 확인하기__11.3 전처리 : 데이터 클리닝__11.4 전처리 : 피처 엔지니어링__11.5 모델링 및 평가하기__11.6 하이퍼파라미터 튜닝 : 랜덤 그리드 서치__11.7 LightGBM의 train( ) 함수 사용하기__11.8 이해하기 : LightGBM학습 마무리연습 문제3단계 : 답을 스스로 찾는 비지도학습 알고리즘12장 K-평균 군집화 : 비슷한 속성끼리 분류하기__12.1 문제 정의 : 한눈에 보는 예측 목표__12.2 K-평균 군집화 맛보기 : 인위적으로 만든 데이터셋__12.3 데이터 불러오기 및 데이터 확인하기 : 고객 데이터셋__12.4 전처리 : 피처 엔지니어링__12.5 고객 데이터 모델링 및 실루엣 계수__12.6 최종 예측 모델 및 결과 해석__12.7 이해하기 : K-평균 군집화학습 마무리연습 문제13장 주성분 분석(PCA) : 차원 축소 응용하기__13.1 차원을 축소해서 그래프 그리기 : 고객 데이터셋__13.2 속도와 예측력을 향상시키기 : 익명 데이터셋__13.3 이해하기 : 주성분 분석학습 마무리연습 문제