[Week2] - donghwan

week1/task1.md

@@ -0,0 +1,151 @@
+# 1장 – 한눈에 보는 머신러닝
+
+## 목차
+1. [1. 머신러닝 개요](#1-머신러닝-개요)
+2. [2. 데이터 준비](#2-데이터-준비)
+3. [3. 선형 회귀 모델](#3-선형-회귀-모델)
+4. [4. k-최근접 이웃 회귀](#4-k-최근접-이웃-회귀)
+5. [과제](#과제-1-선형-회귀와-k-최근접-이웃을-사용한-삶의-만족도-예측)
+
+---
+
+## 1. 머신러닝 개요
+- **정의**: 머신러닝이란 데이터를 사용해 패턴을 학습하고 새로운 데이터에 대한 결과를 예측하는 기술
+- **사용 예제**:
+  - 가격 예측: 아파트의 크기와 위치로 가격 예측
+  - 사용자 만족도: GDP로 국가의 삶의 만족도 예측
+
+---
+
+## 2. 데이터 준비
+
+### 데이터 설명
+- 데이터는 **1인당 GDP**(독립 변수)와 **삶의 만족도**(종속 변수)로 구성
+- 예제 데이터:
+  | GDP per capita (USD) | Life satisfaction |
+  |-----------------------|-------------------|
+  | 30000                | 5.5               |
+  | 40000                | 6.0               |
+  | 50000                | 6.5               |
+  | 60000                | 7.0               |
+
+### 데이터 시각화
+```python
+import matplotlib.pyplot as plt
+import pandas as pd
+
+# 데이터 로드
+data = {"GDP per capita (USD)": [30000, 40000, 50000, 60000],
+        "Life satisfaction": [5.5, 6.0, 6.5, 7.0]}
+df = pd.DataFrame(data)
+
+# 데이터 시각화
+df.plot(kind="scatter", x="GDP per capita (USD)", y="Life satisfaction")
+plt.title("GDP와 삶의 만족도 관계")
+plt.xlabel("GDP per capita (USD)")
+plt.ylabel("Life satisfaction")
+plt.show()
+```
+<img width="574" alt="스크린샷 2024-11-18 오후 9 11 31" src="https://github.com/user-attachments/assets/b78c0d0d-3fbb-4f40-97cb-a1d66c3ba91a">
+
+## 3. 선형 회귀 모델
+
+### 정의
+- **선형 회귀**는 독립 변수와 종속 변수 간의 **직선 관계**를 모델링
+- 선형 모델의 수식:
+<img width="135" alt="스크린샷 2024-11-18 오후 8 43 37" src="https://github.com/user-attachments/assets/d6178ea5-0190-4c30-a6d0-e7e5072aab69">
+<img width="249" alt="스크린샷 2024-11-18 오후 8 46 09" src="https://github.com/user-attachments/assets/c17e8da2-0d34-4ffb-a0ce-82435573db91">
+
+### 코드
+```python
+from sklearn.linear_model import LinearRegression
+
+# 독립 변수(X)와 종속 변수(y)
+X = df[["GDP per capita (USD)"]].values
+y = df[["Life satisfaction"]].values
+
+# 선형 회귀 모델 생성 및 학습
+model = LinearRegression()
+model.fit(X, y)
+
+# 예측
+X_new = [[37655]]  # 키프로스의 1인당 GDP
+prediction = model.predict(X_new)
+print(f"선형 회귀 예측 결과: {prediction[0, 0]:.2f}")
+```
+### 출력 예시
+```
+선형 회귀 예측 결과: 5.88
+```
+
+## 4. k-최근접 이웃 회귀
+
+### 정의
+- **k-최근접 이웃 회귀(k-NN)**는 새로운 데이터 포인트와 가장 가까운 k개의 데이터를 사용하여 예측하는 모델
+- 주요 작동 원리:
+  1. 새로운 데이터와 기존 데이터 간의 거리를 계산
+  2. 가장 가까운 k개의 데이터를 선택
+  3. 선택된 데이터들의 평균을 계산하여 예측값으로 사용
+
+- k-NN의 특징
+장점: 데이터 분포를 잘 반영하며, 복잡한 패턴을 다룰 수 있음.
+단점: 데이터 양이 많을수록 계산 비용이 증가하며, 최적의 k 값을 찾는 것이 중요.
+
+### k-NN 회귀 코드
+
+```python
+from sklearn.neighbors import KNeighborsRegressor
+
+# k-최근접 이웃 회귀 모델 생성
+model = KNeighborsRegressor(n_neighbors=3)
+model.fit(X, y)
+
+# 예측
+prediction_knn = model.predict(X_new)
+print(f"k-최근접 이웃 예측 결과: {prediction_knn[0, 0]:.2f}")
+```
+### 출력 예시
+```
+k-최근접 이웃 예측 결과: 6.00
+```
+-- 
+
+# 과제: 1. 선형 회귀와 k-최근접 이웃을 사용한 삶의 만족도 예측
+
+## 목표
+- **선형 회귀**와 **k-최근접 이웃**을 사용하여 키프로스의 삶의 만족도를 예측하고, 결과를 비교하세요.
+
+---
+
+## 단계별 과제
+
+### 1. 데이터 준비
+1. 아래의 데이터를 사용하여 **GDP**와 **삶의 만족도**를 생성하세요.
+2. `pandas`를 사용해 데이터를 DataFrame으로 변환하세요.
+3. `matplotlib`를 사용해 데이터를 시각화하세요.
+
+| GDP per capita (USD) | Life satisfaction |
+|-----------------------|-------------------|
+| 30000                | 5.5               |
+| 40000                | 6.0               |
+| 50000                | 6.5               |
+| 60000                | 7.0               |
+
+---
+
+### 2. 모델 학습
+1. **선형 회귀 모델**:
+   - **`LinearRegression`**을 사용해 모델을 정의하고 학습시키세요.
+2. **k-최근접 이웃 모델**:
+   - **`KNeighborsRegressor`**를 사용해 \( k=3 \)으로 모델을 정의하고 학습시키세요.
+
+---
+
+### 3. 예측
+1. 키프로스의 1인당 GDP\(37655 USD\)를 입력하여 두 모델의 삶의 만족도 예측값을 출력하세요.
+
+---
+
+### 4. 결과 비교
+두 모델의 예측 결과를 비교후, 장단점을 간단히 작성하세요.
+

week1/task2.md

@@ -0,0 +1,102 @@
+# 과제2: Iris 데이터셋을 사용하여 꽃의 품종을 예측하는 간단한 분류 모델 만들기
+
+## 목차
+1. [1. 분류(Classification)](#1-분류classification)
+2. [2. Iris 데이터셋](#2-iris-데이터셋)
+3. [3. Logistic Regression](#3-logistic-regression)
+4. [4. 정확도(Accuracy)](#4-정확도accuracy)
+5. [과제](#과제-iris-데이터셋을-사용하여-꽃의-품종을-예측하는-간단한-분류-모델-만들기)
+
+
+## 1. 분류(Classification)
+- **정의**: 머신러닝에서 분류는 입력 데이터의 레이블(클래스)을 예측하는 작업입니다.
+  - 예: 이메일이 스팸인지 아닌지를 예측하거나, 꽃의 품종을 분류하는 문제.
+- **사용 예**:
+  - 스팸 메일 필터링
+  - 질병 진단
+  - 이미지에서 객체 분류
+- **알고리즘**:
+  - Logistic Regression, Decision Tree, SVM, Random Forest 등.
+
+## 2. Iris 데이터셋
+
+### Iris 데이터셋이란?
+- 머신러닝의 기본 예제로 사용되는 데이터셋으로, 세 가지 종류의 꽃(Setosa, Versicolor, Virginica)에 대한 정보를 담고 있습니다.
+- 데이터의 각 샘플은 4개의 특성(feature)을 포함합니다:
+  - 꽃받침 길이(Sepal Length)
+  - 꽃받침 너비(Sepal Width)
+  - 꽃잎 길이(Petal Length)
+  - 꽃잎 너비(Petal Width)
+
+### 데이터 구성:
+- 총 150개의 샘플로 이루어져 있으며, 각 클래스에 50개씩의 샘플이 포함되어 있습니다.
+
+## 3. Logistic Regression
+- **정의**:  
+  Logistic Regression은 이름과는 달리 회귀가 아닌 **분류 알고리즘**입니다.
+  - 입력 데이터를 분석하여 특정 클래스에 속할 확률을 예측합니다.
+
+- **작동 원리**:  
+  데이터를 선형적으로 분리할 수 있는 초평면(Hyperplane)을 찾고, 그 결과를 확률로 변환하여 예측합니다.
+
+## 4. 정확도(Accuracy)
+- **정의**:  
+  모델이 예측한 값 중에서 실제 레이블과 일치하는 예측의 비율입니다.
+
+- **공식**:  
+  \[
+  \text{Accuracy} = \frac{\text{Correct Predictions}}{\text{Total Predictions}}
+  \]
+
+- **주의**:  
+  데이터가 불균형한 경우(예: 한 클래스가 90% 이상을 차지하는 경우) 높은 정확도가 반드시 좋은 모델을 의미하지 않을 수 있습니다.
+
+</br>
+</br>
+</br>
+
+## 과제: Iris 데이터셋을 사용하여 꽃의 품종을 예측하는 간단한 분류 모델 만들기
+
+## 목표
+주어진 데이터에서 꽃의 특성(길이와 너비)을 바탕으로 꽃 품종을 예측하는 모델을 만들어보세요.
+
+
+### 1. 데이터 탐색
+- `sklearn.datasets.load_iris`를 사용하여 Iris 데이터셋을 불러오세요.
+- 데이터를 간단히 출력하고 특성과 타깃의 형태를 확인하세요.
+
+
+### 2. 데이터 분할
+- 데이터를 훈련 세트와 테스트 세트로 나누세요. (`train_test_split` 사용)
+- 테스트 데이터 비율은 20%로 설정하고, `random_state=42`로 고정하세요.
+
+
+### 3. 모델 정의 및 훈련
+- `LogisticRegression` 모델을 정의하고 훈련 데이터로 학습시키세요.
+
+
+### 4. 예측 및 평가
+- 테스트 데이터를 사용하여 품종을 예측하세요.
+- 예측 결과를 기반으로 정확도를 출력하세요. (`accuracy_score` 사용)
+
+
+### 참고
+- **Documentation**:
+  - [Scikit-learn Logistic Regression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html)
+  - [Scikit-learn Accuracy Score](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html)
+- **필요한 라이브러리**:
+  - `sklearn.datasets`, `sklearn.model_selection`, `sklearn.linear_model`, `sklearn.metrics`
+
+
+**출력 예시**:
+```plaintext
+데이터셋 샘플:
+[[5.1 3.5 1.4 0.2]
+ [4.9 3.  1.4 0.2]
+ [4.7 3.2 1.3 0.2]
+ [4.6 3.1 1.5 0.2]
+ [5.  3.6 1.4 0.2]]
+타깃 샘플:
+[0 0 0 0 0]
+특성(shape): (150, 4)
+타깃(shape): (150,)

week2-donghwan/week2-conceptnote.md

@@ -0,0 +1,23 @@
+# week2- concept note
+## 선형 회귀 모델 (Linear Regression)
+* 데이터 간 선형관계를 모델링 해서 예측
+* 최소제곱법을 사용해 가중치를 학습
+* 이때 선형 회귀에서 정규방정식을 통해 가중치 계산
+
+## 경사하강법
+* 비용함수의 기울기를 계산하여 최소값을 찾아가는 최적화 알고리즘
+* 학습률을 설정하여 가중치를 업데이트
+* 모든 데이터를 사용해 손실함수의 기울기를 계산한 후 가중치 업데이트
+
+## 로지스틱 회귀
+* 이진분류 문제에서 사용되는 모델로 확률을 예측
+* 시그모이드 함수로 출력 값을 0과 1 사이로 변환함
+
+## 서포트 벡터 머신(SVM)
+* 데이터 간 마진을 최대화하여 분류
+* 고차원 공간에서 선형 분리가 가능하도록 커널 함수 사용
+* 결정경계는 50% 확률로 분류되는 선형 경계로 데이터를 2개의 클래스로 나뉨
+
+## 결정트리와 랜덤 포레스트
+* 결정트리는 데이터를 조건에 딸 분할하여 예측
+* 랜덤 포래스트는 여러 결정트리를 앙상블하여 예측 성능을 향상