[머신러닝 기초] 머신러닝의 정의와 분류(지도학습, 비지도학습, 강화학습) 머신러닝을 활용하는 대표적인 산업 사례 데이터 사이언스 파이프라인 소개(데이터 수집 → 전처리 → 모델링 → 평가) [필수 수학 및 통계 개념] 선형대수(벡터, 행렬 연산) 기초 확률과 통계 개념(확률분포, 가설검정, p-value 등) 미적분 개념(최적화, 미분을 통한 손실함수 최소화 이해) [Python 환경 설정] Python 기본 문법 리뷰 데이터 분석 필수 라이브러리 소개(Numpy, Pandas, Matplotlib, Scikit-Learn 등) 개발 환경(가상환경, Jupyter Notebook/Colab 등) 구성 방법 [지도학습(1): 기본 알고리즘] 선형 모델(Linear Models) 정규화 기법(Ridge, Lasso) SVM(Support Vector Machine) 트리 기반 모델(Decision Trees) [지도학습(2): 앙상블 & 최적화 기법] 랜덤 포레스트(Random Forest) XGBoost(Extreme Gradient Boosting) 모델 평가 및 하이퍼파라미터 튜닝 [딥러닝 기초] 신경망 기초(MLP: Multi-Layer Perceptron) 딥러닝 프레임워크 소개 [CNN(Convolutional Neural Network)] CNN 구조와 원리 CNN 실습 [RNN(Recurrent Neural Network) & LSTM] 순환신경망(RNN) 개념 [LSTM(Long Short-Term Memory) & GRU(Gated Recurrent Unit)]