diff --git a/n122-chi-square-test/n122a-chi-square-test.ipynb b/n122-chi-square-test/n122a-chi-square-test.ipynb
new file mode 100644
index 0000000..3d1aefb
--- /dev/null
+++ b/n122-chi-square-test/n122a-chi-square-test.ipynb
@@ -0,0 +1,621 @@
+{
+  "nbformat": 4,
+  "nbformat_minor": 0,
+  "metadata": {
+    "colab": {
+      "name": "n122a-chi-square-test.ipynb",
+      "provenance": [],
+      "include_colab_link": true
+    },
+    "kernelspec": {
+      "display_name": "Python 3",
+      "language": "python",
+      "name": "python3"
+    },
+    "language_info": {
+      "codemirror_mode": {
+        "name": "ipython",
+        "version": 3
+      },
+      "file_extension": ".py",
+      "mimetype": "text/x-python",
+      "name": "python",
+      "nbconvert_exporter": "python",
+      "pygments_lexer": "ipython3",
+      "version": "3.8.2"
+    }
+  },
+  "cells": [
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "view-in-github",
+        "colab_type": "text"
+      },
+      "source": [
+        "<a href=\"https://colab.research.google.com/github/Gwonchankim/AI-python-connect/blob/master/n122-chi-square-test/n122a-chi-square-test.ipynb\" target=\"_parent\"><img src=\"https://colab.research.google.com/assets/colab-badge.svg\" alt=\"Open In Colab\"/></a>"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "rQf3dSuc5PqO"
+      },
+      "source": [
+        "<img src='https://i.imgur.com/RDAD11M.png' width = '200' align = 'right'>\n",
+        "\n",
+        "## *DATA SCIENCE / SECTION 1 / SPRINT 2 / NOTE 2*\n",
+        "\n",
+        "# 📝 Assignment"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "zIldCo3R71wd"
+      },
+      "source": [
+        "# 카이제곱검정"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "11OzdxWTM7UR"
+      },
+      "source": [
+        "\n",
+        "## 1. 공공데이터 조작 연습. \n",
+        "\n",
+        "국가 통계 포털에서 아래 이미지를 참조하여\n",
+        "\n",
+        "<https://kosis.kr/statisticsList/statisticsListIndex.do?menuId=M_01_01&vwcd=MT_ZTITLE&parmTabId=M_01_01#SelectStatsBoxDiv>\n",
+        "\n",
+        "**2020년 8월**에 해당하는 규모별 미분양현황 에 대한 데이터셋을 생성하세요. \n",
+        "\n",
+        "<img src='https://i.imgur.com/aZc4UJO.png' width = 500>\n",
+        "\n",
+        "- `60m이하`, `60~85m`, `85m초과`의 3개 규모와 (column)\n",
+        "- `서울`, `대전`, `대구`, `부산` 4개의 지역을 포함해야합니다. (row)\n",
+        "- `민간부문`만 포함합니다\n",
+        "- 데이터가 없는 경우는 0으로 처리하세요.\n",
+        "\n",
+        "이후 데이터셋을 colab으로 불러오세요. 이때 변수의 이름은 `df`를 사용합니다.\n"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "iZGiUmi2EuGZ"
+      },
+      "source": [
+        "import pandas as pd\n",
+        "import numpy as np\n",
+        "from scipy import stats"
+      ],
+      "execution_count": 4,
+      "outputs": []
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "colab": {
+          "base_uri": "https://localhost:8080/",
+          "height": 203
+        },
+        "id": "M4iwxM5FEI__",
+        "outputId": "220a9be8-505d-4a8f-aacc-998eba7eefbb"
+      },
+      "source": [
+        "df = pd.read_csv('/content/규모별_미분양현황_20210716162818.csv', encoding='euc-kr')\n",
+        "df.columns = ['시도', '부문', '규모', '2020_08']\n",
+        "\n",
+        "df= df.pivot_table ( index = '시도' ,  columns = '규모' ,  values = '2020_08', aggfunc='sum')\n",
+        "df = df.rename(columns = {'60㎡이하' : '~60㎡', '85㎡초과' :'85㎡~'})\n",
+        "df[['60∼85㎡',\t'~60㎡',\t'85㎡~']] = df[['60∼85㎡',\t'~60㎡',\t'85㎡~']].apply(pd.to_numeric)\n",
+        "col0, col1, col2 =[df.columns[0]] , [df.columns[1]] , [df.columns[2]]\n",
+        "new_col=col1+col0+col2\n",
+        "df=df[new_col]\n",
+        "df"
+      ],
+      "execution_count": 6,
+      "outputs": [
+        {
+          "output_type": "execute_result",
+          "data": {
+            "text/html": [
+              "<div>\n",
+              "<style scoped>\n",
+              "    .dataframe tbody tr th:only-of-type {\n",
+              "        vertical-align: middle;\n",
+              "    }\n",
+              "\n",
+              "    .dataframe tbody tr th {\n",
+              "        vertical-align: top;\n",
+              "    }\n",
+              "\n",
+              "    .dataframe thead th {\n",
+              "        text-align: right;\n",
+              "    }\n",
+              "</style>\n",
+              "<table border=\"1\" class=\"dataframe\">\n",
+              "  <thead>\n",
+              "    <tr style=\"text-align: right;\">\n",
+              "      <th>규모</th>\n",
+              "      <th>~60㎡</th>\n",
+              "      <th>60∼85㎡</th>\n",
+              "      <th>85㎡~</th>\n",
+              "    </tr>\n",
+              "    <tr>\n",
+              "      <th>시도</th>\n",
+              "      <th></th>\n",
+              "      <th></th>\n",
+              "      <th></th>\n",
+              "    </tr>\n",
+              "  </thead>\n",
+              "  <tbody>\n",
+              "    <tr>\n",
+              "      <th>대구</th>\n",
+              "      <td>143</td>\n",
+              "      <td>1437</td>\n",
+              "      <td>44</td>\n",
+              "    </tr>\n",
+              "    <tr>\n",
+              "      <th>대전</th>\n",
+              "      <td>782</td>\n",
+              "      <td>1</td>\n",
+              "      <td>0</td>\n",
+              "    </tr>\n",
+              "    <tr>\n",
+              "      <th>부산</th>\n",
+              "      <td>577</td>\n",
+              "      <td>735</td>\n",
+              "      <td>142</td>\n",
+              "    </tr>\n",
+              "    <tr>\n",
+              "      <th>서울</th>\n",
+              "      <td>54</td>\n",
+              "      <td>2</td>\n",
+              "      <td>0</td>\n",
+              "    </tr>\n",
+              "  </tbody>\n",
+              "</table>\n",
+              "</div>"
+            ],
+            "text/plain": [
+              "규모  ~60㎡  60∼85㎡  85㎡~\n",
+              "시도                    \n",
+              "대구   143    1437    44\n",
+              "대전   782       1     0\n",
+              "부산   577     735   142\n",
+              "서울    54       2     0"
+            ]
+          },
+          "metadata": {
+            "tags": []
+          },
+          "execution_count": 6
+        }
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "id": "v2u3PjaFNE5T",
+        "outputId": "81068ff5-06f3-4b2d-f121-77aa9ee3bcf5"
+      },
+      "source": [
+        "df.shape"
+      ],
+      "execution_count": 7,
+      "outputs": [
+        {
+          "output_type": "execute_result",
+          "data": {
+            "text/plain": [
+              "(4, 3)"
+            ]
+          },
+          "metadata": {
+            "tags": []
+          },
+          "execution_count": 7
+        }
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "id": "jp0lVlW4OJ6u",
+        "outputId": "6f77b463-bbef-43a1-ecf0-b59e315587c5"
+      },
+      "source": [
+        "df.sum().sum()"
+      ],
+      "execution_count": 8,
+      "outputs": [
+        {
+          "output_type": "execute_result",
+          "data": {
+            "text/plain": [
+              "3917"
+            ]
+          },
+          "metadata": {
+            "tags": []
+          },
+          "execution_count": 8
+        }
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "RXPZZuAi3ccI"
+      },
+      "source": [
+        "## 2. 지역에 대해서 one-sample chi-square test를 실행, 해당 결과를 `chi1`에 저장 후 설명해보세요.\n",
+        "\n",
+        "예시) 만약 **9월달 데이터**를 기준으로 한다면\n",
+        "```python\n",
+        " [52+2+0, 590+665+142, 113+1061+42, 772+1+0]\n",
+        "```\n",
+        "을 비교 하게 될 것입니다.\n",
+        "\n",
+        "\n"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "oIMzAkXks-Sv",
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "outputId": "5724b5d3-a961-4feb-974d-01aa6ddb68a9"
+      },
+      "source": [
+        "# scipy 사용\n",
+        "from scipy.stats import chisquare\n",
+        "obs = df.sum(axis=1)\n",
+        "chi1 = chisquare(obs)[0]\n",
+        "print(f'chi1 = {chi1:}')"
+      ],
+      "execution_count": 10,
+      "outputs": [
+        {
+          "output_type": "stream",
+          "text": [
+            "chi1 = 1564.4572376818994\n"
+          ],
+          "name": "stdout"
+        }
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "id": "Kuk3GOQEPn-i",
+        "outputId": "f639bac7-3393-439b-ee3a-5e35882f744e"
+      },
+      "source": [
+        "obs"
+      ],
+      "execution_count": 14,
+      "outputs": [
+        {
+          "output_type": "execute_result",
+          "data": {
+            "text/plain": [
+              "시도\n",
+              "대구    1624\n",
+              "대전     783\n",
+              "부산    1454\n",
+              "서울      56\n",
+              "dtype: int64"
+            ]
+          },
+          "metadata": {
+            "tags": []
+          },
+          "execution_count": 14
+        }
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "tUfYf21fNFqm"
+      },
+      "source": [
+        "## Ho : 지역에 따라 미분양 수는 독립적이다.\n",
+        "    \n",
+        "\n",
+        "*   지역에 상관없이 공평하게 나올 것이다.\n",
+        "*   p-value = 0 < 0.05, 기각\n",
+        "\n",
+        "\n",
+        "## H1 : 지역에 따라 미분양 수는 독립적이지 않다.\n",
+        "\n",
+        "*   지역에 상관없이 공평하게 나오지 않을 것이다.\n",
+        "*   p-value = 0 < 0.05, 채택\n",
+        "\n",
+        "\n",
+        "## 결론 : 지역변 미분양 수는 지역과 연관성이 있을것이다.\n"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "eMDtugVNRu0q"
+      },
+      "source": [
+        "## 3. 지역과 규모에 대해서 two-sample chi-square test를 실행, 해당 결과를 `chi2`에 저장 후 설명해보세요.\n",
+        "\n",
+        "예시) **9월달 데이터**를 기준으로 한다면\n",
+        "\n",
+        "| |-60 | 60-85 | 85- |\n",
+        "|:-:|:-:|:-:|:-:|\n",
+        "|서울|52|2|0|\n",
+        "|대전|772|1|0|\n",
+        "|대구|113|1061|42|\n",
+        "|부산|590|665|142|\n",
+        "\n",
+        "에 대해서 검정해야 할 겁니다.\n",
+        "\n",
+        "\n"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "Ckcr4A4FM7cs",
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "outputId": "1239ea12-463d-4a8b-b663-cf423b9f9346"
+      },
+      "source": [
+        "from scipy.stats import chi2_contingency\n",
+        "chi2 = chi2_contingency(df) #df -> 이미 crosstab이 되어있네.\n",
+        "chi2\n",
+        "print(f' chi2 = {chi2[0]}\\n p_value = {chi2[1]}\\n 자유도 = {chi2[2]}\\n array = \\n{chi2[3]}')"
+      ],
+      "execution_count": 15,
+      "outputs": [
+        {
+          "output_type": "stream",
+          "text": [
+            " chi2 = 2064.5767314171994\n",
+            " p_value = 0.0\n",
+            " 자유도 = 6\n",
+            " array = \n",
+            "[[645.12228746 901.76155221  77.11616033]\n",
+            " [311.04110288 434.77789124  37.18100587]\n",
+            " [577.59101353 807.36533061  69.04365586]\n",
+            " [ 22.24559612  31.09522594   2.65917794]]\n"
+          ],
+          "name": "stdout"
+        }
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "aI02BaXljhJy"
+      },
+      "source": [
+        "## H0 : 미분양 현황에 대해 지역과 규모는 연관성이 없다\n",
+        "## H1 : 미분양 현황에 대해 지역과 규모는 연관성이 있다\n",
+        "\n",
+        "      * 검정결과, p-value는 0.0으로 유의수준 95%하에서 유의확률 0.05보다 작은\n",
+        "        값이다. 따라서 귀무가설을 기각한다. \n",
+        "        즉, 미분양 현황에 있어 지역과 규모는 연관성이 없다고 볼 수 없다.`"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "Tf7XPpBP6YqX"
+      },
+      "source": [
+        "## 4. 2번에 대해서 NumPy 를 사용하여 (Scipy를 사용하지 않고) $\\chi^2$ test 시행 후 2번의 결과와 비교해보세요. \n",
+        "\n",
+        "- `obs`, `exp`, `chi`라는 변수를 사용해야합니다."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "OjFt0b1-wrFL",
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "outputId": "bf5faf2f-79ad-4eca-dec0-cca2cfd7c03c"
+      },
+      "source": [
+        "# numpy사용\n",
+        "obs = df.sum(axis = 1)\n",
+        "exp = np.sum(obs) / len(obs)\n",
+        "chi_squared = ((obs - exp)**2) / exp\n",
+        "chi = chi_squared.sum()\n",
+        "p_value = 1 - stats.chi.cdf(chi, df = (4-1))\n",
+        "print(f'chi = {chi:}' ,f'p_value = {p_value:}')"
+      ],
+      "execution_count": 17,
+      "outputs": [
+        {
+          "output_type": "stream",
+          "text": [
+            "chi = 1564.4572376818994 p_value = 0.0\n"
+          ],
+          "name": "stdout"
+        }
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "id": "d3rO4-ROP5sS",
+        "outputId": "b104b951-b6cf-48f6-a19a-fb2206269b82"
+      },
+      "source": [
+        "exp"
+      ],
+      "execution_count": 18,
+      "outputs": [
+        {
+          "output_type": "execute_result",
+          "data": {
+            "text/plain": [
+              "979.25"
+            ]
+          },
+          "metadata": {
+            "tags": []
+          },
+          "execution_count": 18
+        }
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "a2BrKHq8m8AS"
+      },
+      "source": [
+        "## 🔥 도전 과제\n",
+        "\n",
+        "아래 세가지를 다하면 됩니다.\n",
+        "\n",
+        "### 1. Function\n",
+        "\n",
+        "4번에서 사용한 one sample chisquare test를 함수의 형태로 변경하세요."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "AntnuAkFm-JQ",
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "outputId": "6525278f-5b07-4f47-c553-b77776eccee4"
+      },
+      "source": [
+        "v1 = [18,22,20,15,23,22]\n",
+        "v2 = [5,23,26,19,24,23]\n",
+        "\n",
+        "def myChisq(value):\n",
+        "  import numpy as np\n",
+        "  from scipy import stats\n",
+        "  obs = value                   # v1, v2\n",
+        "  exp = np.sum(obs) / len(obs)  # 기대값\n",
+        "  chi_squared = ((obs-exp)**2) / exp     # x제곱\n",
+        "  chi = chi_squared.sum()                # chisqure\n",
+        "  p_value = 1 - stats.chi2.cdf(chi, df = len(value)-1)  # p_value\n",
+        "  return print(f'value = {value}, chisquare = {chi} , p_value = {p_value}') \n",
+        "\n",
+        "myChisq(v1) \n",
+        "myChisq(v2)\n",
+        "\n"
+      ],
+      "execution_count": null,
+      "outputs": [
+        {
+          "output_type": "stream",
+          "text": [
+            "value = [18, 22, 20, 15, 23, 22], chisquare = 2.3000000000000003 , p_value = 0.8062668698851285\n",
+            "value = [5, 23, 26, 19, 24, 23], chisquare = 14.8 , p_value = 0.011251979028327308\n"
+          ],
+          "name": "stdout"
+        }
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "4ohsJhQUmEuS"
+      },
+      "source": [
+        "### 2. ANOVA\n",
+        "\n",
+        "아래 링크를 참조하여 ANOVA 에 대한 글을 읽고\n",
+        "\n",
+        "<https://partrita.github.io/posts/ANOVA-python/>\n",
+        "\n",
+        "다음 `4개 그룹에 대해서 평균의 차이가 있는지`에 대한 가설 검정을 시행하세요.\n",
+        "\n",
+        "A : `38 33 35 92 76 97 88 41 11  9`\n",
+        "\n",
+        "B : `18 52 62 48 30 40 87 12 97 82`\n",
+        "\n",
+        "C :  `28 90  5 49 66 73 96 80  4 17`\n",
+        "\n",
+        "D : ` 8 99  4 12  7 64 18 10  9 20`\n",
+        "\n"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "DMebi5_4UaSn"
+      },
+      "source": [
+        "## H0 : 4개의 그룹에 대해서 평균의 차의가 나지 않는다\n",
+        "## H1 : 4개의 그룹에 대해서 평균의 차이가 난다."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "id": "AgkfC51fqLEZ",
+        "outputId": "8408a80d-2c9e-48ba-c62c-91fa9032247d"
+      },
+      "source": [
+        "A = [38,33,35,92,76,97,88,41,11,9]\n",
+        "B = [18,52,62,48,30,40,87,12,97,82]\n",
+        "C = [28,90,5,49,66,73,96,80,4,17]\n",
+        "D = [8,99,4,12,7,64,18,10,9,20]\n",
+        "\n",
+        "F_statistic, pVal = stats.f_oneway(A,B,C,D)\n",
+        "print(f'데이터의 일원분산분석 결과 : F={F_statistic}, p={pVal}')"
+      ],
+      "execution_count": null,
+      "outputs": [
+        {
+          "output_type": "stream",
+          "text": [
+            "데이터의 일원분산분석 결과 : F=1.7249594239128412, p=0.17920877113948797\n"
+          ],
+          "name": "stdout"
+        }
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "k2vuHNLu1niX"
+      },
+      "source": [
+        "## 결과\n",
+        "*    P-value>0.05 이므로 귀무가설 기각 대립가설 채택"
+      ]
+    }
+  ]
+}
\ No newline at end of file
diff --git a/n211-simple-regression/n211a-simple-regression.ipynb b/n211-simple-regression/n211a-simple-regression.ipynb
new file mode 100644
index 0000000..3c0b046
--- /dev/null
+++ b/n211-simple-regression/n211a-simple-regression.ipynb
@@ -0,0 +1,201 @@
+{
+  "nbformat": 4,
+  "nbformat_minor": 0,
+  "metadata": {
+    "kernelspec": {
+      "display_name": "Python 3",
+      "language": "python",
+      "name": "python3"
+    },
+    "language_info": {
+      "codemirror_mode": {
+        "name": "ipython",
+        "version": 3
+      },
+      "file_extension": ".py",
+      "mimetype": "text/x-python",
+      "name": "python",
+      "nbconvert_exporter": "python",
+      "pygments_lexer": "ipython3",
+      "version": "3.7.7"
+    },
+    "colab": {
+      "name": "n211a-simple-regression.ipynb",
+      "provenance": []
+    }
+  },
+  "cells": [
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "Q6G77lsPMjS3"
+      },
+      "source": [
+        "<img align=\"right\" src=\"https://ds-cs-images.s3.ap-northeast-2.amazonaws.com/Codestates_Fulllogo_Color.png\" width=100>\n",
+        "\n",
+        "## *DATA SCIENCE / SECTION 2 / SPRINT 1 / NOTE 1*\n",
+        "\n",
+        "# 📝 Assignment\n",
+        "---"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "7IXUfiQ2UKj6"
+      },
+      "source": [
+        "# Linear Regression\n",
+        "\n",
+        "이번 모듈에서 사용한 데이터와 유사한 데이터를 사용해 복습해 보겠습니다. 이 데이터셋은 미국 시애틀 King County 지역에서 2014년 5월부터 ~ 2015년 5월 까지 주택 판매 가격 데이터입니다.\n",
+        "\n",
+        "   - [House Sales in King County, USA](https://www.kaggle.com/harlfoxem/housesalesprediction?select=kc_house_data.csv)\n",
+        "\n",
+        "\n",
+        "이 데이터를 사용해 다음 과제를 마크다운과 코드를 사용해 진행해 주세요."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "frBW3-iQMjS6"
+      },
+      "source": [
+        "# 데이터는 캐글에서 받으셔도 되고 이 링크에서 불러와도 됩니다.\n",
+        "import pandas as pd\n",
+        "df = pd.read_csv('https://ds-lecture-data.s3.ap-northeast-2.amazonaws.com/kc_house_data/kc_house_data.csv')\n"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "k4uUYX0WMjS7"
+      },
+      "source": [
+        "### 1) 특성들과 타겟(Price)과의 상관계수를 계산하고 가장 상관관계가 높은 특성을 찾아 타겟과의 관계를 시각화 하세요.\n",
+        "- **타겟과 상관관계가 가장 높은 특성의 이름을 과제 제출폼에 제출하세요.**"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "lvvTEiWgMjS8"
+      },
+      "source": [
+        "### 이곳에서 과제를 진행해 주세요 ###"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "QSlnVioSMjS8"
+      },
+      "source": [
+        "### 2) grade 와 price의 scatter plot을 그리고 기준모델을 시각화 해 보세요.\n",
+        "- **기준모델의 값을 과제 제출폼에 제출하세요.**"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "kSO49zGXMjS9"
+      },
+      "source": [
+        "### 이곳에서 과제를 진행해 주세요 ###"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "eGF8rIzZMjS9"
+      },
+      "source": [
+        "### 3) Scikit-Learn 라이브러리를 사용해 특성 grade에 대한 선형회귀모델을 만들어 보세요.\n",
+        "- **grade 값이 6인 경우에 모델이 예측하는 주택 가격을 과제 제출폼에 제출하세요.**"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "n0fFNcV6MjS-"
+      },
+      "source": [
+        "### 이곳에서 과제를 진행해 주세요 ###"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "xrabCjNgMjS_"
+      },
+      "source": [
+        "### 4) 만든 모델을 사용해 새로운 데이터에 대해 예측을 해 보고 coefficient를 사용해 설명해 보세요.\n",
+        "- **grade 특성에 대한 회귀계수를 과제 제출폼에 제출하세요.**"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "1ENl5mBeMjTA"
+      },
+      "source": [
+        "### 이곳에서 과제를 진행해 주세요 ###"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "jmY0X2xMMjTA"
+      },
+      "source": [
+        "### 5) sqft_living 특성을 사용하여 모델을 만들어 보고 두 모델을 비교해 보세요.\n",
+        "- **sqft_living에 대한 회귀계수를 과제 제출폼에 제출하세요.**"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "Y1t7D490MjTA"
+      },
+      "source": [
+        "### 이곳에서 과제를 진행해 주세요 ###"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "WTf8r5SNMjTB"
+      },
+      "source": [
+        "## 🔥도전과제\n",
+        "\n",
+        "### 6) 단순선형회귀모델을 만들기 위한 좋은 특성을 선택하기 위해 고려해야 하는 사항들에 대해 조사하고 서술하세요.\n",
+        "\n",
+        "### 7) OLS에 대해서 검색해 보고 본인의 이해를 녹여내어 10문장 내로 요약해 보세요."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "3Wx69QtfMjTB"
+      },
+      "source": [
+        "### 이곳에서 과제를 진행해 주세요 ###"
+      ],
+      "execution_count": null,
+      "outputs": []
+    }
+  ]
+}
\ No newline at end of file
diff --git a/n231-choose-your-ml-problems/n231a-choose-your-ml-problems.ipynb b/n231-choose-your-ml-problems/n231a-choose-your-ml-problems.ipynb
new file mode 100644
index 0000000..7c5b96a
--- /dev/null
+++ b/n231-choose-your-ml-problems/n231a-choose-your-ml-problems.ipynb
@@ -0,0 +1,160 @@
+{
+  "nbformat": 4,
+  "nbformat_minor": 0,
+  "metadata": {
+    "kernelspec": {
+      "display_name": "Python 3",
+      "language": "python",
+      "name": "python3"
+    },
+    "language_info": {
+      "codemirror_mode": {
+        "name": "ipython",
+        "version": 3
+      },
+      "file_extension": ".py",
+      "mimetype": "text/x-python",
+      "name": "python",
+      "nbconvert_exporter": "python",
+      "pygments_lexer": "ipython3",
+      "version": "3.7.7"
+    },
+    "colab": {
+      "name": "n231a-choose-your-ml-problems.ipynb",
+      "provenance": []
+    }
+  },
+  "cells": [
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "nCc3XZEyG3XV"
+      },
+      "source": [
+        "<img align=\"right\" src=\"https://ds-cs-images.s3.ap-northeast-2.amazonaws.com/Codestates_Fulllogo_Color.png\" width=100>\n",
+        "\n",
+        "## *DATA SCIENCE / SECTION 2 / SPRINT 3 / NOTE 1*\n",
+        "\n",
+        "# 📝 Assignment\n",
+        "---\n",
+        "# Choose your ML problems\n",
+        "\n",
+        "이번 스프린트에서는 포트폴리오 프로젝트를 위해 수강생 각자가 정한 데이터셋을 사용하여 과제를 수행합니다. 프로젝트를 위한 데이터를 최종 선택하기 전에 여러 가능한 데이터세트를 살펴보고 간단한 모델까지 학습해 보는 것을 추천드립니다."
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "25Q5khpG3-cc"
+      },
+      "source": [
+        "### 1) 타겟으로 사용할 특성을 선택합니다.\n",
+        "- **(객관식) 다음 중 설명이 올바른 항목을 선택하고 과제 제출폼에 제출하세요.**\n",
+        "    - 특성 3개를 사용해 가장 성능이 좋은 모델 A를 만들고 또 특성 5개를 사용해 최적의 모델 B를 학습하였습니다. 이때 모델 A에서 선택된 특성은 A1, A2, A3 입니다.\n",
+        "    1. 최적의 모델 B에는 특성 A1, A2, A3가 항상 선택됩니다.\n",
+        "    2. 최적의 모델 B 학습시 특성 A1, A2, A3는 전혀 사용되지 않습니다.\n",
+        "    3. 최적의 모델 B에 특성 A1, A2, A3가 선택될지 알 수 없습니다."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "RobhoziJ3-cd"
+      },
+      "source": [
+        "### 3"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "16tT-UAI3-ce"
+      },
+      "source": [
+        "### 2) 풀고자 하는 문제가 분류/회귀 문제인지 정합니다.\n",
+        "- **(객관식) 다음 설명 중 가장 틀린 항목을 선택하고 과제 제출폼에 제출하세요.**\n",
+        "    1. 특정한 종목의 다음날 주식 종가를 예측하는 문제는 Supervised Learning 문제이다.\n",
+        "    2. 다음날 KOSPI 지수가 증가할지 감소할지 예측하는 문제는 Classification 문제이다.\n",
+        "    3. 축구 경기 도중에 승패를 예측하는 모델을 만들기 위해서는 실시간 통계 정보와 경기마다 승패 데이터가 필요하다.\n",
+        "    4. 이번 시즌 토트넘 선수들의 개인 통계 데이터(슛, 도움, ...)를 사용해서 다음 토트넘 경기의 승패를 예측할 수 있다.\n",
+        "   "
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "syw5kiS43-ce"
+      },
+      "source": [
+        "### 4"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "uhMD-HUR3-ce"
+      },
+      "source": [
+        "### 3) 타겟의 분포를 분석하고 사용할 평가지표를 선택합니다. 평가지표를 선택한 이유를 설명하세요.\n",
+        "- 분류: 클래스가 몇 개인지? 클래스 비율이 어떤지(balance or imbalance)\n",
+        "- 회귀: 타겟 분포가 right-skewed 인지? log-transform을 사용할 것인지?\n",
+        "- 분류: 다수 클래스(majority class) 비율이 50%~70% 인 경우 정확도(accuracy)만 사용해도 무방합니다. 하지만 범위를 넘어설 경우 정확도만을 사용해서는 모델을 잘못 이해할 수 있습니다. 어떤 평가지표를 사용해야 할까요?\n",
+        "- 회귀: MAE, RMSE, R^2 등을 사용할 수 있습니다.\n",
+        "- **(객관식) 같은 데이터로 스팸을 예측하는 모델 A와 B를 만들었습니다. 다음 설명 중 가장 올바른 항목을 선택하고 과제 제출폼에 제출하세요.**\n",
+        "    1. A의 재현율은 80%이고 B의 재현율은 60%일 때 A가 더 좋은 모델이다.\n",
+        "    2. A의 정밀도는 80%이고 B의 정밀도는 60%일 때 A가 더 좋은 모델이다.\n",
+        "    3. A는 B보다 정밀도는 높지만 재현율은 낮다. A가 더 좋은 모델이다.\n",
+        "    4. A는 B보다 재현율은 높지만, 정밀도는 낮다. A가 더 좋은 모델이다.\n",
+        "    5. A는 B보다 정밀도, 재현율 모두 높다. A가 더 좋은 모델이다."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "86r9VSpr3-cf"
+      },
+      "source": [
+        "### 5"
+      ],
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "nQyvvRaI3-cf"
+      },
+      "source": [
+        "## 🔥 도전과제"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "m1VDTtbB3-cg"
+      },
+      "source": [
+        "### 4) 데이터를 훈련/검증/테스트 데이터로 나누고 전처리를 수행합니다. 그리고 간단한 모델을 사용해서 학습을 수행합니다.\n",
+        "- 이상치(outliers)가 있다면 어떻게 처리할 것인지 설명합니다.\n",
+        "- 무작위로 or 시간에 따라 데이터를 나눌 것인지 설명합니다.\n",
+        "- 모델 학습 결과를 리포팅 합니다.\n",
+        "- 정보 누수(leakage)가 있는지 확인해 봅니다."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "metadata": {
+        "id": "G-xH-VL83-ch"
+      },
+      "source": [
+        "### 이곳에서 과제를 진행해 주세요 ### "
+      ],
+      "execution_count": null,
+      "outputs": []
+    }
+  ]
+}
\ No newline at end of file