[Chapter1. 머신러닝 이해]
· 학습 목표
머신러닝의 기본 개념 및 원리를 이해하고 다양한 알고리즘의 적용 분야를 파악한다.
· 주요 내용
1. 머신러닝 개념
2. 분류와 회귀
3. 미리 알아둘 용어

[Chapter2. 모델링 코드 구조]
· 학습 목표
머신러닝 모델을 구현하는데 필요한 코드의 기본 구조를 이해하고 작성할 수 있다.
· 주요 내용
1. 모델링 코드 구조
2. 모델링 코드 구조 익히기

[Chapter3. 회귀모델 평가지표]
· 학습 목표
회귀 모델의 성능을 평가하는 지표를 이해하고 모델의 예측력을 개선하는 방법을 학습한다.
· 주요 내용
1. 회귀모델 평가지표 이해
2. R2 Score
3. 회귀모델 평가하기

[Chapter4. 분류모델 평가지표]
· 학습 목표
분류 모델의 성능을 평가하는 다양한 지표를 이해하고 모델의 정확도를 향상시키는 방법을 학습한다.
· 주요 내용
1. 분류모델 평가지표 이해
2. 정확도, 정밀도, 재현율
3. 분류모델 평가하기

[Chapter5. 지도학습]
· 학습 목표
선형 회귀, KNN, Decision Tree, Logistic Regression의 특징, 기본 개념 이해 및 실제 데이터에 모델을 적용할 수 있다.
· 주요 내용
1. Linear Regression 회귀계수 확인
2. KNN 이해 및 스케일링 필요성
3. Decision Tree 이해 및 가지치기, 트리 시각화
4. Decision Tree 변수 중요도 확인
5. Logistic Regression알고리즘 이해

[Chapter6. K-분할 교차 검증]
· 학습 목표
K-분할 교차 검증을 통해 모델의 일반화 성능을 평가하고 향상시키는 방법을 이해한다.
· 주요 내용
1. K-분할 교차 검증이란?
2. K-분할 교차 검증 수행

[Chapter7. 하이퍼파라미터 튜닝]
· 학습 목표
모델의 성능을 높이기 위해 하이퍼파라미터를 조절하는 방법을 습득한다.
· 주요 내용
1. 하이퍼파라미터 이해
2. Random Search, Grid Search
3. Randon Search 수행
4. Grid Search 수행

[Chapter8. 앙상블 알고리즘]
· 학습 목표
다양한 앙상블 기법을 이해하고 여러 모델을 결합하여 성능을 향상시키는 능력을 갖춘다.
· 주요 내용
1. 앙상블 이해
2. Random Forest 알고리즘 이해
3. XGBoost 알고리즘 이해