Part 1 Intro
1 구글 코랩 & 캐글
1.1 구글 코랩(Colaboratory)에 관해
1.2 캐글(Kaggle)에 관해
2 파이썬 기초 문법
2.1 변수(Scalar)
2.2 변수(Non-Scalar)
2.3 리스트(List)
2.4 튜플(Tuple)
2.5 딕셔너리(Dictionary)
2.6 집합(Set) 자료형
2.7 파이썬의 조건문
2.8 파이썬의 반복문
2.9 정리
3 Numpy
3.1 NumPy 기본 문법
3.2 NumPy 배열 생성 및 둘러보기
3.3 NumPy 인덱싱과 슬라이싱
3.4 NumPy 정렬
3.5 정리
4 Pandas 라이브러리
4.1 Pandas 설치
4.2 구글 드라이브와 연동
4.3 데이터 둘러보기
4.4 데이터 다뤄 보기
4.5 데이터 인덱싱
4.6 기본 데이터 전처리
4.7 정리
5 파이썬 시각화
5.1 Matplotlib 라이브러리
5.2 Seaborn 라이브러리
5.3 Intermediate Level 도전
5.4 정리
6 머신러닝의 역사
7 캐글에서 사용되는 다양한 머신러닝 알고리즘
7.1 지도 학습과 비지도 학습
7.2 회귀 모형
7.3 의사 결정 나무
7.4 앙상블 학습
7.5 배깅(Bagging)
7.6 랜덤 포레스트(Random Forest)
7.7 부스팅 기법(Boosting Methods)
7.8 스태킹 또는 블렌딩 기법(Stacking or Blending Methods)
7.9 사이킷런(Scikit-Learn)
7.10 정리

Part 2 Kaggle Basic
1 캐글 노트북(Kaggle Notebook)에 관한 흥미로운 토론
2주택 가격 예측 문제
2.1 Kaggle API 다운로드
2.2 Kaggle API 업로드
2.3 Kaggle 데이터 다운로드 및 불러오기
2.4 데이터 둘러보기
2.5 머신러닝 Workflow
2.6 Feature Engineering
2.7 머신러닝 모형 학습 및 평가
3 진짜 재난 뉴스 판별기 만들기
3.1 텍스트 분석 수행 과정
3.2 Kaggle 데이터 불러오기
3.3 탐색적 자료 분석
3.4 Feature Engineering
3.5 머신러닝 모형 학습 및 평가
3.6 정리

Part 3 Kaggle Intermediate
1 Boosting 알고리즘의 발전
1.1 XGBoost
1.2 LightGBM
1.3 CatBoost
2 New York City Taxi Fare Prediction
2.1 Kaggle 데이터 다운로드
2.2 데이터 시각화
2.3 Feature Engineering
2.4 Modelling
3 San Francisco Crime Classfication
3.1 데이터 불러오기
3.2 평가 지표 확인
3.3 탐색적 자료 분석
3.4 Feature Engineering
3.5 Modelling
3.6 정리
3.7 데이터 과학의 프로세스 리뷰

Part 4 Beyond Kaggle
1 자격증은 정말로 중요한가?
2 면접은 어떻게 구성이 되는가?
3 Github와 기술 블로그의 장점
3.1 기록의 관점에서
3.2 정보 공유의 관점에서
3.3 커리어 관리의 관점에서
4 Github & Git
4.1 Github
4.2 Google Colab과 Github의 연동
4.3 Git 연동
4.4 Git & 리눅스 명령어
4.5 Github 블로그
4.6 Github 포트폴리오