Update p0_theory_handson_intro.ipynb

Author: liganega

p0_theory_handson_intro.ipynb

@@ -181,7 +181,15 @@
     "\n",
     "이제 하나의 작은 예제로 머신러닝의 핵심 개념을 살펴보자.\n",
     "\n",
-    "OECD 회원국과 일부 비회원국의 **1인당 국내총생산**(GDP per capita)과 **삶의 만족도**(Life satisfaction)를 이용한다.\n",
+    "2020년 기준 37개 OECD 회원국과 3개의 비회원국의 **1인당 국내총생산**(GDP per capita)과 **삶의 만족도**(Life satisfaction)를 이용한다.\n",
+    "\n",
+    "| 지역         | OECD 회원국                              | 기타                  |\n",
+    "|--------------|----------------------------------------|--------------------------|\n",
+    "| 유럽         | 오스트리아, 벨기에, 체코, 덴마크, 에스토니아, 핀란드, 프랑스, 독일, 그리스, 헝가리, 아이슬란드, 아일랜드, 이탈리아, 라트비아, 리투아니아, 룩셈부르크, 네덜란드, 노르웨이, 폴란드, 포르투갈, 슬로바키아, 슬로베니아, 스페인, 스웨덴, 스위스, 튀르키예, 영국 | 브라질 |\n",
+    "| 북미         | 캐나다, 미국, 멕시코                                                   | 러시아 |\n",
+    "| 아시아-태평양 | 일본, 한국, 호주, 뉴질랜드                                              | 남아프리카공화국 |\n",
+    "| 중남미       | 칠레, 콜롬비아 (2020년 가입)                                           |  |\n",
+    "| 중동         | 이스라엘                                                               |   |\n",
     "\n",
     "질문은 단순하다.\n",
     "\n",
@@ -197,7 +205,7 @@
     "\n",
     "타깃이 수치이므로 이 문제는 **회귀 문제**다.\n",
     "\n",
-    "아래 그림은 일부 국가를 제외한 31개 국가의 관계를 보여준다.\n",
+    "아래 그림은 1인당 GDP가 23,500 달러 이하이거나 62,500 달러 이상인 9개 국가를 제외한 31개 국가의 관계를 보여준다.\n",
     "\n",
     "<div align=\"center\">\n",
     "    <img src=\"https://github.com/codingalzi/code-workout-ml/blob/master/images/ch01/homl01-17-b.png?raw=true\" width=\"450\">\n",
@@ -358,7 +366,7 @@
    "source": [
     "## 훈련 데이터가 달라지면 모델도 달라질까?\n",
     "\n",
-    "앞의 모델은 일부 국가를 제외한 31개 국가로 학습했다.\n",
+    "앞의 모델은 저소득과 고소득 9개 국가를 제외한 31개 국가로 학습했다.\n",
     "\n",
     "이번에는 제외했던 저소득·고소득 국가들을 다시 포함해 전체 40개 국가로 선형 회귀 모델을 학습해 보자.\n",
     "\n",
@@ -454,27 +462,6 @@
     "> **훈련 데이터를 얼마나 잘 맞혔는가보다 새로운 데이터에서도 잘 작동하는가가 중요하다.**"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "id": "bc5eef80",
-   "metadata": {},
-   "source": [
-    "## 훈련 데이터와 테스트 데이터\n",
-    "\n",
-    "일반화 성능을 확인하려면 모델이 학습할 때 사용하지 않은 데이터가 필요하다.\n",
-    "\n",
-    "그래서 데이터를 보통 다음처럼 구분한다.\n",
-    "\n",
-    "- **훈련 데이터**(training set): 모델을 학습하는 데 사용\n",
-    "- **테스트 데이터**(test set): 학습이 끝난 모델의 성능을 확인하는 데 사용\n",
-    "\n",
-    "테스트 데이터가 필요한 이유는 단순하다.\n",
-    "\n",
-    "> **이미 본 데이터로 평가하면 새로운 데이터에서의 실력을 알기 어렵기 때문이다.**\n",
-    "\n",
-    "실제 프로젝트에서는 모델 선택을 위해 검증 데이터(validation set)나 교차검증(cross-validation)도 사용한다. 이 내용은 다음 장에서 자세히 다룬다."
-   ]
-  },
   {
    "cell_type": "markdown",
    "id": "e43d3859",