AI의 큰 그림을 이해했다면, 이제는 데이터로 모델을 직접 학습시키는 흐름을 익힐 차례입니다. 이 책은 머신러닝을 공식 암기나 모델 이름 나열로 시작하지 않습니다. 먼저 무엇을 예측할지 정의하고, 데이터를 어떻게 나누며, 모델이 정말 새로운 데이터에서도 잘 작동하는지 확인하는 과정을 차근차근 따라갑니다.
분류와 회귀, 훈련 데이터와 테스트 데이터, 선형 모델, 트리와 앙상블, SVM·kNN·나이브 베이즈, 차원 축소와 군집까지 머신러닝의 기본 도구를 실습 중심으로 배웁니다. 각 장은 scikit-learn 예제 코드와 함께 구성되어 있어, 개념을 읽는 데서 멈추지 않고 직접 실행하며 확인할 수 있습니다.
이 책의 핵심은 "점수가 높은 모델"보다 "검증할 수 있는 모델"입니다. 정확도만 믿으면 왜 위험한지, F1과 재현율은 언제 중요한지, 데이터 누수와 과적합은 어떻게 피해야 하는지, 오류 분석과 공정성 점검은 왜 필요한지 함께 살펴봅니다.
마지막에는 미니 Kaggle형 프로젝트로 전체 흐름을 하나로 연결합니다. 책을 끝낼 때쯤이면 독자는 단순히 모델을 호출하는 수준을 넘어, 문제 정의부터 평가·오류 분석·리포트 작성까지 작은 머신러닝 프로젝트를 스스로 완성할 수 있게 됩니다.
