Machine Learning Programming Lab 👩🏻‍💻

기계학습프로그래밍(2) 수업의 주차별 실습 코드와 데이터셋을 정리한 저장소입니다.
본 저장소는 Google Colab 기반의 코드와 실습 자료를 포함하고 있습니다.

🗂 Week 2

• 📝 주제: 대표적인 머신러닝 데이터셋 실습
• 📊 데이터셋: Boston, Breast Cancer, Car Evaluation, Diabetes, Iris
• 📂 주요 파일:
  • week2/boston.ipynb
  • week2/breast_cancer.ipynb
  • week2/car_evaluation.ipynb
  • week2/diabetes.ipynb
  • week2/iris.ipynb

🗂 Week 3

• 📝 주제: 머신러닝 분류(Classification)와 회귀(Regression) 실습
• 📊 데이터셋: Raisin, Weather
• 📂 주요 파일:
  • week3/Raisin.ipynb
  • week3/weather_classfication.ipynb
  • week3/weather_regression.ipynb

🗂 Week 4

• 📝 주제: 화이트 와인 / 유방암 데이터셋을 활용한 머신러닝 & 딥러닝 분류 실습
• 📊 데이터셋: Wine Quality (White), Breast Cancer
• 📂 주요 파일:
  • week4/ML_winequality_white.ipynb
    • 화이트 와인 데이터셋으로 4가지 머신러닝 분류
    • 로지스틱 회귀의 기울기(Coefficients) & 절편(Intercept) 출력
  • week4/DL_winequality_white.ipynb
    • 화이트 와인 데이터셋으로 딥러닝 분류 (Fully Connected Layer만 사용)
  • week4/DL_breast_cancer.ipynb
    • 유방암 데이터셋으로 딥러닝 분류 (Fully Connected Layer만 사용)
    • ⭐️ 'softmax' -> 'sigmoid' 로 수정
    • ⭐️ 'categorical_crossentropy' -> 'binary_crossentropy' 로 수정

🗂 Week 5

• 📝 주제: 필기체 숫자 / 당뇨병 데이터셋을 활용한 머신러닝 & 딥러닝 분류·회귀 실습
• 📊 데이터셋: Digits, Diabetes
• 📂 주요 파일:
  • week5/ML_digits.ipynb
    • Digits 데이터셋으로 3가지 머신러닝 분류
    • Decision Tree, Logistic Regression, Random Forest 비교
  • week5/DL_digits.ipynb
    • Digits 데이터셋으로 딥러닝 분류 (MLP)
    • Fully Connected Layer 기반, Dropout 포함
  • week5/DL_diabetes.ipynb
    • Diabetes 데이터셋으로 딥러닝 회귀 (BMI 예측)
    • Fully Connected Layer 기반, Dropout 포함

🗂 Week 7

• 📝 주제: Fashion-MNIST / MNIST / CIFAR-10 데이터셋을 활용한 딥러닝 분류 실습
• 📊 데이터셋: Fashion-MNIST (의류 이미지), MNIST (붓글씨 숫자), CIFAR-10 (컬러 이미지 데이터)
• 📂 주요 파일:
  • week7/MNIST_fashion_DNN.ipynb
    • Fashion-MNIST 데이터셋로 DNN 기반 분류
    • Flatten → Dense → Dropout → Softmax 구조
    • 평가 지표 출력
  • week7/MNIST_fashion_CNN.ipynb
    • Fashion-MNIST 데이터셋으로 CNN 기반 분류
    • Conv2D → MaxPooling2D → Flatten → Dropout → Dense → Softmax 구조
    • 평가 지표 출력
  • week7/MNIST_CNN.ipynb
    • MNIST 데이터셋으로 CNN 기반 분류
    • Conv2D → MaxPooling2D → Flatten → Dropout → Dense → Softmax 구조
    • 평가 지표 출력
  • week7/CIFAR-10_CNN.ipynb
    • CIFAR-10 데이터셋 중 'cat', 'dog', 'horse' 3개 클래스만 선택하여 CNN 기반 분류
    • Conv2D → MaxPooling2D → Flatten → Dropout → Dense → Softmax 구조
    • 평가 지표 출력

🗂 Week 9

• 📝 주제: 시계열 데이터 예측 (RNN / LSTM 기반 시계열 분석 실습)
• 📊 데이터셋: Alcohol_Sales (미국 주류 판매량 월별 데이터), TSLA (테슬라 주가 일별 종가 데이터)
• 📂 주요 파일:
  • week9/AlcoholSales_RNN_LSTM.ipynb
    • Alcohol_Sales 데이터셋을 활용하여 최근 12개월 데이터로 다음 달 판매량 예측
    • RNN(SimpleRNN) / LSTM 비교
    • 각 모델별 Train/Test MSE 출력
    • 예측 결과 및 그래프 시각화
  • week9/TSLA_RNN_LSTM.ipynb
    • TSLA 데이터셋을 활용하여 최근 60일 종가로 다음날 종가를 예측
    • RNN(SimpleRNN) / LSTM 비교
    • 각 모델별 Train/Test MSE 출력
    • 예측 결과 및 그래프 시각화

🗂 Week 10

• 📝 주제: 인체 활동 인식 (Human Activity Recognition) — 1D 시계열 분류
• 📊 데이터셋: UCI HAR Dataset (UCI Human Activity Recognition Using Smartphones)
• 📂 주요 파일:
  • week10/UCI_HAR_SimpleCNN.ipynb
    • StandardScaler 적용
    • 모델 구성: Simple CNN
    • 평가 지표 출력
  • week10/UCI_HAR_LSTM.ipynb
    • StandardScaler 적용
    • 모델 구성: LSTM
    • 평가 지표 출력
  • week10/UCI_HAR_GRU.ipynb
    • StandardScaler 적용
    • 모델 구성: GRU
    • 평가 지표 출력
  • week10/UCI_HAR_CNN_LSTM.ipynb
    • StandardScaler 적용
    • 모델 구성: CNN+LSTM
    • 평가 지표 출력
  • week10/UCI_HAR_CNN_GRU.ipynb
    • StandardScaler 적용
    • 모델 구성: CNN+GRU
    • 평가 지표 출력

🗂 Week 11

• 📝 주제: 이상 거래 탐지 (Creditcard) & 행동 인식 (WISDM)
• 📊 데이터셋:
  • Creditcard (신용카드 사기 거래 탐지용 데이터) - 파일 용량이 커서 GitHub 업로드 제외
  • WISDM (스마트폰/워치 센서 기반 인간 행동 인식 데이터)
• 📂 주요 파일:
  • week11/creditcard.ipynb
    • creditcard.csv 데이터를 활용한 AutoEncoder 기반 이상 거래 탐지
    • 정상 거래(0) 데이터만으로 학습하여 재구성 오차(Reconstruction Error) 기반으로 사기 거래(1) 판별
    • 혼동 행렬 및 classification_report 출력
  • week11/WISDM.ipynb
    • WISDM.csv 데이터를 활용한 행동 인식 이진 분류 (Jogging vs Sitting)
    • AutoEncoder 기반 비지도 학습 모델로 정상(조깅) 데이터를 학습하고, 비정상(앉기) 데이터를 재구성 오차로 탐지
    • 데이터 전처리
    • 혼동 행렬 및 classification_report 출력