docs: 파이썬 문법 2 및 3 추가

- '파이썬 문법 2'의 제목을 수정하고, '파이썬 문법 3' 문서를 새로 추가하여 Pandas, Matplotlib, PyTorch의 주요 기능과 활용법을 상세히 설명합니다.

Author: hyoloui

docs/머신러닝/02.md

@@ -1,6 +1,6 @@
 ---
 sidebar_position: 2
-title: 파이썬 문법
+title: 파이썬 문법 2
 description: 머신러닝 구현에 필수적인 파이썬 라이브러리인 NumPy와 Pandas의 주요 기능과 활용법
 ---
 

docs/머신러닝/03.md

@@ -0,0 +1,190 @@
+---
+sidebar_position: 3
+title: 파이썬 문법 3
+description: 머신러닝의 핵심 도구인 판다스(Pandas), Matplotlib, 파이토치(PyTorch)의 주요 기술을 종합적으로 요약
+---
+
+## I. 판다스(Pandas) 심화
+
+### 1. 지난 학습 내용 복습
+
+#### 넘파이(NumPy)
+
+- **개념**: 행렬이나 대규모 배열 처리를 위한 파이썬 라이브러리로, 벡터 및 행렬 형태로 데이터를 표현하고 연산한다.
+- **데이터 구조**: 다차원 배열 객체인 ndarray를 사용하며, 딥러닝 훈련 데이터(행: 훈련 데이터, 열: 특징)를 표현하는 데 필수적이다.
+- **배열 생성 함수**:
+  - `numpy.array([])`: 파이썬 리스트로부터 배열 생성
+  - `numpy.arange(시작, 종료, 간격)`: 지정된 범위와 간격으로 배열 생성
+  - `numpy.zeros((행, 열))`, `numpy.ones((행, 열))`: 0 또는 1로 채워진 행렬 생성
+  - `numpy.eye(n)`: n x n 단위 행렬(대각선이 1) 생성
+- **데이터 조작**:
+  - `.shape`, `.ndim`: 배열의 형상 및 차원 확인
+  - `.reshape(행, 열)`: 배열의 형상 변환
+  - `numpy.sort()`: 배열 정렬
+  - `numpy.concatenate()`: 배열 결합 (axis=0: 세로, axis=1: 가로)
+- **인덱싱 및 슬라이싱**:
+  - 1차원 배열: `객체[a:b]` (a부터 b-1까지)
+  - 2차원 배열: `객체[행, 열]`, `객체[n1:n2, n3:n4]`
+  - 조건부 슬라이싱: `배열객체[비교연산]`을 통해 조건을 만족하는 요소만 추출
+
+#### 판다스(Pandas) 기초
+
+- **목적**: 데이터 처리를 위한 라이브러리
+- **데이터 타입**: Series(1차원), DataFrame(2차원)
+- **선언**: `pandas.Series()`, `pandas.DataFrame()`
+- **유용한 함수**:
+  - `.head(n)`, `.tail(n)`: 데이터의 처음/끝 n개 행 출력
+  - `.describe()`: 데이터의 기초 통계 정보 요약
+  - `.T`: 행과 열을 전치
+  - `.sort_index(axis, ascending)`: 인덱스(행) 또는 컬럼(열) 이름을 기준으로 정렬
+
+### 2. 데이터 다루기: 삽입 및 삭제
+
+#### 데이터 삽입
+
+- **행 추가 (Append)**: `데이터프레임.append(행데이터, ignore_index=True)`
+- **행 추가 (loc/iloc)**:
+  - `데이터프레임.loc[행이름] = [행 데이터]`
+  - `데이터프레임.iloc[index] = [행 데이터]`
+
+#### 데이터 삭제
+
+- **원본을 보존하며 삭제 (새 변수에 할당)**:
+  - 행 삭제: `변수 = 데이터프레임.drop(index, axis=0)`
+  - 열 삭제: `변수 = 데이터프레임.drop(['열이름'], axis=1)`
+  - axis의 기본값은 0(행)이다
+- **원본을 직접 수정**:
+  - `데이터프레임.drop(index, axis=0, inplace=True)`
+
+### 3. 파일 입출력
+
+#### 파일 읽기
+
+- **CSV 파일**: `pandas.read_csv('파일명')`
+- **Excel 파일**: `pandas.read_excel('파일명')`
+  - 필요 라이브러리: xlrd 또는 openpyxl 설치 필요 (`pip install xlrd openpyxl`)
+  - xlrd는 .xls 파일만 지원한다
+
+#### 파일 쓰기
+
+- **CSV 파일**: `데이터프레임명.to_csv('파일명', sep='구분자')`
+  - 구분자(sep) 예시: `,`, `\t` 등
+
+#### openpyxl을 이용한 Excel 파일 제어
+
+openpyxl 라이브러리를 사용하면 Excel 파일을 더 세밀하게 제어할 수 있다.
+
+- 파일 생성 및 쓰기
+- 파일 읽기
+
+## II. Matplotlib: 데이터 시각화
+
+### 4. 핵심 개념 및 설정
+
+- **개념**: 데이터 시각화를 위한 파이썬 라이브러리
+- **주요 모듈**: pyplot을 통해 대부분의 기능을 사용
+- **기본 사용법**: `.plot()` 메소드로 시각화할 데이터를 정의하고, `.show()` 메소드로 화면에 출력
+- **설치 및 임포트**:
+  - 설치: `pip install matplotlib`
+  - 임포트: `import matplotlib.pyplot as plt`
+  - Google Colab에서는 별도 설치 없이 사용 가능하다
+
+### 5. 주요 플롯 유형
+
+pyplot 모듈은 다음과 같은 다양한 종류의 플롯을 지원한다.
+
+- **라인 플롯 (Line Plot)**: `pyplot.plot(y)` 또는 `pyplot.plot(x, y)`
+- **막대 플롯 (Bar Plot)**:
+  - 수직 막대: `pyplot.bar(x, y)`
+  - 수평 막대: `pyplot.barh(x, y)`
+  - `xticks`, `yticks`를 사용하여 축의 눈금 레이블을 지정할 수 있다
+- **파이 플롯 (Pie Plot)**: `pyplot.pie(데이터, labels=, colors=, autopct=, shadow=)`
+- **히스토그램 (Histogram)**: `pyplot.hist(data, bins)` (bins: 구간 수)
+- **박스 플롯 (Box Plot)**: `pyplot.boxplot(data)`
+- **산점도 플롯 (Scatter Plot)**: `pyplot.scatter(x, y, s='마커크기', c='마커색상')`
+
+### 6. 공통 메소드 및 스타일링
+
+플롯을 꾸미기 위한 공통 메소드는 다음과 같다.
+
+- `.title('타이틀')`: 그래프 제목 설정
+- `.xlabel('x축 레이블')`, `.ylabel('y축 레이블')`: 각 축의 레이블 설정
+- `.legend(['범례1', '범례2', ...])`: 범례 표시
+- `.axis([xmin, xmax, ymin, ymax])`: 축의 범위 지정
+- `.xlim(min, max)`, `.ylim(min, max)`: 특정 축의 범위만 개별적으로 지정
+- `.grid(True, axis='y')`: 그리드(격자) 표시. axis는 'x', 'y' 지정 가능
+
+#### 스타일 지정 (포맷 문자열)
+
+plot 함수 내에서 색상, 마커, 선 스타일을 지정하는 포맷 문자열을 사용할 수 있다. (예: 'gs', 'r--')
+
+| 문자 | 색상 (Color)       | 마커 (Marker) | 의미                     |
+| ---- | ------------------ | ------------- | ------------------------ |
+| b    | blue (파란색)      | o             | circle (원)              |
+| g    | green (녹색)       | v             | triangle_down (역삼각형) |
+| r    | red (빨간색)       | ^             | triangle_up (삼각형)     |
+| c    | cyan (청록색)      | s             | square (네모)            |
+| m    | magenta (마젠타색) | +             | plus (플러스)            |
+| y    | yellow (노란색)    | .             | point (점)               |
+| k    | black (검은색)     |               |                          |
+| w    | white (흰색)       |               |                          |
+
+## III. PyTorch: 딥러닝 프레임워크
+
+### 1. 개념 및 주요 모듈
+
+- **개념**: 딥러닝을 위한 파이썬 기반 오픈소스 라이브러리. 신경망을 생성하고 학습시키는 프레임워크로, 자연어 처리, 이미지 처리 등 다양한 분야에서 사용된다.
+- **주요 모듈**:
+  - `torch`: 메인 네임스페이스
+  - `torch.autograd`: 자동 미분 기능을 제공
+  - `torch.nn`: 신경망 레이어나 데이터 구조를 정의
+  - `torch.optim`: 확률적 경사 하강법(SGD) 등 최적화 알고리즘을 구현
+  - `torch.utils.data`: 데이터 처리를 위한 유틸리티 함수 포함
+    - `Dataset`: 샘플과 정답(레이블)을 저장
+    - `DataLoader`: Dataset의 샘플에 쉽게 접근할 수 있도록 순회 가능한 객체(iterable)로 만들어 미니배치 학습을 지원
+  - `torch.onnx`: 서로 다른 딥러닝 프레임워크 간 모델 공유를 위한 ONNX(Open Neural Network Exchange) 포맷으로 모델을 내보낼 때 사용
+
+### 2. 텐서(Tensor)의 이해
+
+- **정의**: PyTorch의 핵심 데이터 구조로, 모델의 입력, 출력, 매개변수 등을 부호화(encode)하는 데 사용된다.
+- **구조**: NumPy의 ndarray와 유사하며, 1차원(벡터), 2차원(행렬) 이상의 다차원 배열 형태를 가질 수 있다.
+
+### 3. 텐서 문법 및 연산
+
+#### 텐서 초기화
+
+- **데이터로부터 생성**: `torch.tensor(데이터)`
+- **기존 텐서 속성 유지**:
+  - `torch.ones_like(텐서)`: 모든 값이 1인 텐서 생성
+  - `torch.zeros_like(텐서)`: 모든 값이 0인 텐서 생성
+  - `torch.rand_like(텐서, dtype=자료형)`: 0과 1 사이의 난수로 채워진 텐서 생성
+- **형상(shape) 지정**:
+  - `shape = (2, 3)  # 2행 3열`
+  - `torch.rand(shape)`, `torch.ones(shape)`, `torch.zeros(shape)`
+- **NumPy 배열로부터 변환**: `torch.from_numpy(넘파이_배열)`
+
+#### 차원 및 크기 조작
+
+- **정보 확인**:
+  - `.dim()`: 차원 수 확인
+  - `.size()` 또는 `.shape`: 텐서의 크기(형상) 확인
+- **크기 변경**:
+  - `.view()`: 텐서의 크기를 변경
+    - `텐서.view([-1, n])`: 열의 개수를 n으로 고정하고 행은 자동으로 조정
+    - `텐서.view([n, -1])`: 행의 개수를 n으로 고정하고 열은 자동으로 조정
+- **차원 변경**:
+  - Squeeze: 크기가 1인 차원을 제거. 위치를 지정하여 특정 차원만 제거 가능
+  - Unsqueeze: 지정된 위치에 크기가 1인 차원을 추가
+
+#### 주요 연산
+
+PyTorch는 100개 이상의 다양한 텐서 연산을 지원한다.
+
+- **집계 연산**:
+  - `.sum(dim=)`: 합계 계산
+  - `.mean(dim=)`: 평균 계산
+  - dim 파라미터: 0은 열 단위, 1은 행 단위 연산. 생략 시 전체 텐서 대상
+- **사칙연산 및 슬라이싱**: NumPy와 동일한 방식으로 수행된다
+- **행렬 곱**: `행렬1.matmul(행렬2)` 또는 `행렬1 @ 행렬2`
+- **텐서 연결**: `torch.cat([텐서1, 텐서2, ...], dim=)`
+- **내용 덮어쓰기(In-place)**: 연산 메소드 뒤에 밑줄(_)을 붙이면(예: `.mul_()`), 연산 결과가 원본 텐서에 덮어씌워진다