diff --git a/cycle-10/running/presentation/HodaeSsi-NaiveBayes.md b/cycle-10/running/presentation/HodaeSsi-NaiveBayes.md
new file mode 100644
index 0000000..56debf6
--- /dev/null
+++ b/cycle-10/running/presentation/HodaeSsi-NaiveBayes.md
@@ -0,0 +1,136 @@
+# 나이브 베이즈 분류기(Naive Bayes  Classifier)
+
+### 1. 베이즈 정리
+
+- 베이즈 정리(Bayes' theorem)
+  : "조건부 확률의 계산"
+  $$
+  p(A|B) = \frac{p(A,B)}{p(B)} = \frac{p(B|A)p(A)}{p(B)}
+  $$
+  : 단순히 표본을 통해 추정하는 것이 아닌, **사전 확률 및 사전 정보를 기반으로 사후 확률을 추론하는 통계적 기법**
+
+- 예시
+
+  1. 어떤 마을의 10.5%는 암 환자이다. 
+
+     > p(C) = 0.105, p(~C) = 0.895
+
+  2. 암 검진이 오차가 있다고 했을 때, 암 환자에게 양성 판정을 내릴 확률은 90.5% 
+
+     > p(P|C) = 0.905, p(N|C) = 0.095
+
+  3. 암 환자가 _아닌_ 사람에게 양성 판정을 내릴 확률은 20.4%
+
+     > p(P|~C) = 0.204, p(N|~C) = 0.796
+
+  이때 p(C|P), 즉 양성 판정을 받은 사람이 암 환자일 확률은?
+  $$
+  p(C|P) = \frac{p(P|C)p(C)}{p(P)}
+  $$
+  여기서, 
+  $$
+  p(P) = p(P,C) + P(P,C^c) = p(P|C)*p(C) + p(P|C^c)*p(C^c)
+  $$
+  그러므로,
+  $$
+  p(C|P) = \frac{0.905*0.105}{0.905*0.105+0.204*0.895}=0.342
+  $$
+
+### 2. 나이브 베이즈 분류기 - 이론
+
+- Feature(속성)와 Label(라벨)
+  ex) 스펨 메일 분류
+  	Label : 스펨 메일인가(1), 아닌가(0)
+
+  ​	Feature : 메일에 포함된 광고성 단어의 개수, 비속의 개수, ...
+
+- 지도학습(Supervised Learning)
+
+  ![surpervised learning process](https://miro.medium.com/max/1400/1*SS51laVNAHEXIcJDyHk3iw.png)
+
+- 장/단점, 사용하는 곳
+
+  - 장점
+
+    1. (비교적) 간단하고, 빠르며, 정확한 수준의 모델
+    2. 큰 데이터셋에 적합
+    3. 연속형 데이터 보다는 이산형 데이터에 성능이 좋음
+
+  - 단점
+
+    1. feature간 독립성이 있어야 함(하지만 현실은...)
+
+  - 사용
+
+    ​	1.스팸 메일 필터, 텍스트 분류, 감정 분석, 추천 시스템, ...
+
+- 예시
+  pass
+
+### 3. 나이브 베이즈 분류기 - 적용
+
+- Python_scikit-learn라이브러리의 나이브 베이즈 분류기("모델") 종류
+
+  1. GaussianNB - 연속적인 데이터에 적용
+  2. BernoulliNB - 이진 분류에 사용
+  3. MultinomiaNB - 다중 분류에 사용
+
+- 적용 예시(GaussianNB)
+
+  "날씨와 온도에 따라 야구 경기가 진행될지 여부를 예측하는 인공지능을 만들어 보자"
+
+  1. 데이터(train) 준비
+
+     > weather = ['Sunny', 'Overcast', 'Rainy', ... ] #feature_1
+     >
+     > temp = ['Hot', 'Mild', 'Cool', ... ] #feature_2
+     >
+     > play = ['No', 'Yes', ... ] #label
+
+  2. 데이터 인코딩(string > int)
+
+     ```python
+     from sklearn import preprocesisng
+     
+     LE = preprocessing.LabelEncoder()
+     weather_encoded = LE.fit_transform(weather)
+     temp_encoded = LE.fit_transform(temp)
+     label = LE.fit_transform(play)
+     
+     print(weather_encoded)
+     ```
+
+      ```
+     >>> [0 1 2 2 1 ... ]
+      ```
+
+  3. feature 결합
+
+     ```python
+     features = zip(weather_encoded, temp_encoded)
+     features = list(features)
+     print(features)
+     ```
+
+     ```
+     >>> [(2, 1), (1, 2), (0, 2), ... ]
+     ```
+
+  4. 분류기 제작(모델 생성 > 훈련 데이터 학습 > 테스트(평가))
+
+     ```python
+     from sklearn.naive_bayes import GaussianNB
+     
+     naiveModel = GaussianNB()
+     
+     model.fit(features, label)
+     
+     predicted = naiveModel.predict([0, 2])
+     print("Predicted Value: ", predicted)
+     ```
+
+     ```
+     Predicted Value: (Play Or !Play)
+     ```
+
+     
\ No newline at end of file