[Chapter1. 머신러닝 이해]
· 학습 목표
머신러닝의 기본 개념 및 원리를 이해하고 다양한 알고리즘의 적용 분야를 파악합니다.
· 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 있습니다.
· 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 학습합니다.
· 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 학습합니다.
· 주요 내용
1. 분류모델 평가지표 이해
2. 정확도, 정밀도, 재현율
3. 분류모델 평가하기

[Chapter5. Linear Regression]
· 학습 목표
선형 회귀 모델의 기본 개념 및 구현 방법을 이해하고 실제 데이터에 모델을 적용할 수 있습니다.
· 주요 내용
1. 알고리즘 원리 이해
2. 모델 구현
3. 회귀계수 확인

[Chapter6. KNN]
· 학습 목표
KNN 알고리즘의 작동 원리를 이해하고 다양한 데이터셋에 대해 적용할 수 있습니다.
· 주요 내용
1. 알고리즘 이해
2. 모델 구현
3. 스케일링 필요성

[Chapter7. Decision Tree]
· 학습 목표
Decision Tree의 구성과 활용 방법을 이해하고 복잡한 의사결정을 모델링할 수 있습니다.
· 주요 내용
1. 알고리즘 이해
2. 모델 구현
3. 가지치기, 트리 시각화
4. 변수 중요도 확인

[Chapter8. Logistic Regression]
· 학습 목표
Logistic Regression의 특징과 사용법을 학습하고 이를 이용하여 이진 분류 문제를 해결할 수 있습니다.
· 주요 내용
1. 알고리즘 원리 이해
2. 모델 구현

[Chapter9. K-분할 교차 검증]
· 학습 목표
K-분할 교차 검증을 통해 모델의 일반화 성능을 평가하고 향상시키는 방법을 이해합니다.
· 주요 내용
1. K-분할 교차 검증이란?
2. K-분할 교차 검증 수행

[Chapter10. 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

[Chapter11. 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. Random Forest 모델 구현
4. XGBoost 알고리즘 이해
5. XGBoost 모델 구현