OPENING
🚀 수업 시작 멘트
체스 챔피언을 이긴 딥 블루는 사람이 만든 규칙에 따라 움직였습니다. 그러나 알파고는 인간의 기보라는 데이터를 보고 스스로 전략을 학습했습니다. 오늘 우리는 규칙을 하나하나 가르치는 방식에서 벗어나, 컴퓨터가 데이터 속 패턴을 찾아 스스로 예측하게 하는 기계학습을 배웁니다.
OBJECTIVES
🎯 목표지향적 학습 목표
🧠 개념적 목표
기계학습, 지도 학습, 비지도 학습, 분류, 회귀, 과적합의 의미를 설명한다.
🛠 절차적 목표
특성 X와 레이블 y를 구분하고, train_test_split, fit, predict, accuracy 계산 흐름을 코드로 이해한다.
🌱 태도적 목표
모델의 예측을 맹신하지 않고, 테스트 데이터로 검증하는 비판적 데이터 과학 태도를 기른다.
CONCEPTS
💡 핵심 개념 정리
1. 기계학습
기계학습은 개발자가 모든 규칙을 직접 작성하는 대신, 컴퓨터가 데이터에서 패턴과 관계를 학습하여 새로운 데이터에 대한 예측이나 판단을 하도록 만드는 기술입니다.
2. 학습의 종류
지도 학습
특성 X와 정답 y가 함께 있는 데이터로 학습한다. 예: 스팸 분류, 붓꽃 품종 분류.
비지도 학습
정답 없이 데이터의 구조나 그룹을 찾는다. 예: 군집화, 차원 축소.
분류
결과가 범주형이다. 예: 개/고양이, 스팸/정상.
회귀
결과가 연속적인 숫자이다. 예: 집값, 기온, 시험 점수.
3. 머신러닝 워크플로우
| 단계 | 핵심 코드 | 의미 |
|---|---|---|
| 데이터 준비 | X, y | 문제지와 정답지 분리 |
| 데이터 분리 | train_test_split | 학습용과 테스트용 분리 |
| 모델 생성 | DecisionTreeClassifier() | 학습할 모델 객체 생성 |
| 학습 | model.fit(X_train, y_train) | 데이터 패턴 학습 |
| 예측 | model.predict(X_test) | 새 데이터 결과 예측 |
| 평가 | accuracy | 예측과 정답 비교 |
LESSON FLOW
🧭 수업 흐름
도입 5분
스팸 메일 규칙 기반 필터의 한계를 통해 데이터 학습의 필요성을 제시한다.
개념 전개 15분
지도 학습과 비지도 학습, 분류와 회귀, 학습 데이터와 테스트 데이터의 차이를 비교한다.
코드 실습 20분
붓꽃 데이터 또는 작은 배열 데이터를 활용해 fit, predict, accuracy 계산 흐름을 익힌다.
평가 및 정리 10분
코드 출력 서술형, OX, 5지선다형을 풀고 TXT 결과를 제출한다.
CORE EXAMPLE
🐍 핵심 예제 코드
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, random_state=42
)
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)
predictions = model.predict(X_test)
accuracy = (predictions == y_test).mean()
print(f"모델의 예측 정확도: {accuracy:.2f}")CODE OUTPUT WRITING
✍️ 코드 보여주고 출력결과 입력 받는 서술형 코드 10문항
출력 결과가 예시 정답과 정확히 일치하면 각 3점입니다. 공백은 줄 단위로 정리하여 비교합니다.
OX QUIZ
✅ OX 퀴즈 10개
MULTIPLE CHOICE
📝 5지선다형 10개
SUBMIT