모듈 3: 머신러닝 및 딥러닝 이해 (24h)

학습 결과

학생은 Decision Tree·Ensemble·신경망의 동작 원리를 이해하고 scikit-learn·TensorFlow로 구현할 수 있다.

#	ABCD 학습목표	Bloom 수준	관련 sources	평가 방법
3-1	Behavior: Decision Tree의 분할 기준(Gini·Entropy)을 설명하고 / Condition: 간단한 분류 데이터셋에서 / Degree: 손으로 트리를 그리거나 코드로 시각화 가능	Understand	decision-tree-gini-entropy-tds	개념 설명 + 시각화
3-2	Behavior: Random Forest·Gradient Boosting 2가지 앙상블 방법을 비교하고 / Condition: 같은 데이터셋에 / Degree: 성능·과적합·해석성 관점에서 장단점 분석	Analyze	random-forest-gradient-boosting-xgboost	비교 분석 리포트
3-3	Behavior: 신경망의 forward pass·backpropagation 과정을 수식으로 유도하고 / Condition: 1-2개 은닉층 네트워크에서 / Degree: 손 계산 또는 코드로 검증 가능	Understand	backpropagation-step-by-step-mazur, neural-network-forward-backprop-tds	수식 유도 + 코드 검증
3-4	Behavior: scikit-learn / TensorFlow로 분류 모델을 학습하고 / Condition: 모듈 2에서 전처리한 데이터 사용 / Degree: 5-fold 교차검증 AUC ≥ 0.85 달성	Apply	tensorflow-keras-quickstart	모델 성능 검증

순서	Sources	학습목표	예상 학습 시간	비고
1️⃣	decision-tree-gini-entropy-tds	3-1	1.5h	기초: Gini Index vs Entropy 공식·계산
2️⃣	random-forest-gradient-boosting-xgboost	3-2	2h	심화: Random Forest vs Gradient Boosting vs XGBoost 비교
3️⃣	backpropagation-step-by-step-mazur	3-3	2h	이론: 2-4-2 신경망 수치 예시·체인 룰·가중치 업데이트
4️⃣	neural-network-forward-backprop-tds	3-3	1.5h	보완: Forward/Backpropagation 이론·PyTorch 구현
5️⃣	tensorflow-keras-quickstart	3-4	2h	실습: MNIST 분류 7단계 파이프라인·97.8% 정확도
	학습 시간 합계	3-1~3-4	~9h	강의 24h 중 이론·실습 학습 부분

decision-tree-gini-entropy-tds — Gini Index vs Entropy 공식·계산·비교
random-forest-gradient-boosting-xgboost — Random Forest vs Gradient Boosting vs XGBoost 비교표·선택 기준
backpropagation-step-by-step-mazur — 2-4-2 신경망 수치 예시·체인 룰·가중치 업데이트
neural-network-forward-backprop-tds — Forward Pass·Backpropagation 이론·PyTorch 구현·활성화함수 미분
tensorflow-keras-quickstart — MNIST 분류 7단계 파이프라인·Sequential API·97.8% 정확도
ml-pipeline — 모델 평가·최적화 원칙
scikit-learn 공식 문서 (tree, ensemble 모듈)