Notebook Refiner Workflow

기존 Jupyter Notebook을 **학습 자료 수준(Study Material Quality)**으로 다듬기 위한 워크플로우입니다. 단순 코드 정리(Linting)를 넘어, **"왜(Why)"**에 대한 설명과 재현 가능성(Reproducibility), 그리고 **시각적 이해(Visual Understanding)**를 확보하는 데 집중합니다.

1단계: 분석 및 기준 확인 (Analyze & Context)

1. Context Loading:

   this document

   를 읽어 'High Quality Notebook'의 기준을 로드합니다.
2. Current State Check: 리팩토링할 노트북을 열고

   resources/checklist.md

   와 대조하여 부족한 점을 파악합니다.
   • Structure: 흐름이 논리적인가?
   • Structure: 흐름이 논리적인가?
   • Dependency: 환경 설정이 명시되었는가?
   • Filename:

     docs/notebooks/[Topic]_Analysis.ipynb

     이름 규칙을 유지하며, 기존 파일을 덮어쓰거나 수정합니다.

2단계: 리팩토링 및 표준화 (Refactor)

기능 변경 없이 코드의 가독성과 구조를 개선합니다.

1. Code Quality: 변수명을 직관적으로 변경하고(

   df

   ->

   titanic_df

   ), 셀의 단위를 적절히 나눕니다.
2. Output Cleaning: 불필요하게 긴 로그를 숨깁니다.
3. Imports: 모든 import 문을 최상단 셀(

   🔧 Setup & Imports

   )로 이동합니다.

3단계: 학습 요소 보강 (Enrichment)

"Master Class" 수준의 깊이를 더하기 위해 다음 요소들을 반드시 포함시킵니다.

1. Narrative (스토리텔링): 코드 실행 전후에 **"이론적 배경"**과 **"직관적 설명"**을 한글로 추가합니다. (예: "왜 ReLU를 사용하는가?", "이 Loss가 줄어든다는 것은 무엇을 의미하는가?")
2. Visualization (시각화): 텍스트 결과만으로는 부족합니다.
   • Data: 분포, 상관관계 등을 산점도나 히스토그램으로 확인.
   • Training: Loss Curve, Accuracy Trend를 그래프로 시각화.
   • Result: 오분류 이미지(Misclassified), Confusion Matrix 등 시각적 검증.
3. Experimentation (실험): Hyperparameter(Learning Rate, Batch Size 등)를 변수로 추출하여, 독자가 값을 바꿔가며 실험해볼 수 있도록 구성합니다.
4. Evaluation (평가): 단순 Loss 외에 Accuracy, F1-Score 등 **"해석 가능한 지표"**를 출력합니다.

4단계: 문서화 및 구조화 (Document)

코드를 체계적으로 정리하여 "책"처럼 읽히게 만듭니다.

1. Why & Context: "무엇을 하는 코드인가"보다 **"왜 이렇게 짰는가"**를 주석이나 마크다운으로 한글로 설명합니다.
2. Headers: 적절한 Markdown Header(

   #

   ,

   ##

   )를 사용하여 목차를 구성합니다.

5단계: 검증 및 인사이트 (Verify & Insight)

1. Restart & Run All: 커널을 재시작하고 에러 없이 끝까지 실행되는지 검증합니다.
2. Visual Check: 그래프의 Title, Label, Legend가 완벽한지 확인합니다.
3. Key Takeaways: 노트북의 맨 마지막에 **"무엇을 배웠는가"**를 요약하는 섹션을 한글로 추가합니다.

---

Standards & Rules

Notebook Refiner Standards

Purpose

To ensure Jupyter Notebooks are not just "functioning code dumps" but educational learning materials and reproducible assets.

Core Philosophy: "Readability & Reproducibility"

A notebook is a document meant to be read by humans, not just a script for machines.

Refactoring Standards

1. Structure (Flow)

• Imports: All imports must be in the first cell.
• Logical Flow: Data Load → EDA → Preprocessing → Modeling → Evaluation.
• Kernel Check: Must specify required environment (e.g.,

  venv

  , python version).

2. Code Quality (Refactor)

• Naming: Use descriptive names (

  titanic_df

  ) over generic ones (

  df

  ). Follow conventions (

  X

  ,

  y

  ,

  model

  ).
• Granularity: One logical step per cell. Don't mix loading and training in one massive cell.
• Output: Suppress verbose logs (e.g., strict

  fit()

  output).

3. Documentation (Context)

"Explain Why, Not What"

• Bad: "This code splits the data." (Redundant)
• Good: "We use

  stratify=y

  to maintain class balance in the test set." (Insightful)
• Headers: Use clear Markdown headers (

  #

  ,

  ##

  ) to navigate structure.

4. Verification (Reproducibility)

• Restart & Run All: The notebook must run from top to bottom without error after a kernel restart.
• Visuals: All plots must have Titles, Axis Labels, and Legends.