본문 바로가기

분류 전체보기

(78)
[프로그래머스 고득점 Kit] (완전 탐색) 소수 찾기 접근 방식 # 문자열 리스트로 쪼개기 -> list(string) # 문자열 iteration-> 1, 17, .. 과 같은 방식 어떻게 처리하지? (permutations) from itertools import permutations (s에 주목) 문자열의 개수만큼 n번 permutations를 수행하며 우리가 원하는 총 문자열 얻어야 -> 반복문 쓰기 #isPrime 함수 구현하는 데에서 실수 -> 0과 1을 처리 안해줘서 에러가 떴었음 : 이 문제는 디버깅하며 잡았다. from itertools import permutations def isPrime(num): if num ==1 or num==0: return False for i in range(2,num): if num%i==0 : retu..
[프로그래머스 고득점 Kit] (완전탐색) - 모의고사 고민했던 부분: 마지막 최대 사람 출력하는 리스트 만들기. max 값을 지정하고, 그것에 맞는 인덱스를 출력하기 위해 enumerate 함수 사용한다는 아이디어 떠올리는 데 시간이 좀 걸렸다. 그리고 변수명과, 문제에 주어진 조건을 잘 해독 못해서 문제 푸는 데 오래 걸린 경향도 있었다. 이런 문제가 안생기도록 노력해야지 ! def solution(answers): a1=0 a2=0 a3=0 l1=[1,2,3,4,5] l2=[2,1,2,3,2,4,2,5] l3=[3,3,1,1,2,2,4,4,5,5] for a in range(len(answers)): if l1[a%5]==answers[a]: a1+=1 if l2[a%8]==answers[a]: a2+=1 if l3[a%10]==answers[a]: a..
[프로그래머스 고득점 Kit] (완전 탐색) - 최소 직사각형 (복기) 제시된 예시 그대로 구현하기 위해 노력했던 것 같다. 1. 너비와 높이 중 가장 큰 값을 비교 2. 높이의 값을 너비와 회전 (max 너비 > max 높이라고 하면) 의 관점으로 문제를 해결하고자 했다. 1. 을 위해 sizes 리스트를 너비순, 높이순으로 각각 정렬한 리스트 (size_w, size_h)를 만들었다. (이를 위해 리스트를 복사하는 sizes.copy() 함수와, 리스트를 특정 인덱스로 정렬하는 sizes_w.sort(key = lambda x:x[1]) 를 배울 수 있었다 !!) 그래서 너비의 최댓값이 size_w의 마지막 요소의 1번 index, 높이의 최댓값이 size_h의 마지막 요소의 0번 index에 위치할 수 있게 설정했다. 2. 의 조건을 해결하기 위해 많은 시간을..
[프로그래머스 고득점 Kit] (DFS/BFS) - 타겟 넘버 (복기) DFS와 BFS 문제여서, 어떻게 문제를 해결할 수 있을지 고민하다가, 우선 리스트 마지막 요소까지 방문하여 참/거짓을 밝혀야하는 문제라고 판단, DFS 사용으로 가닥을 잡았다. (여기까지 15분.) DFS를 구현할 때 graph로 리스트를 모델링하기 위해 어떻게 할지 고민했다. +와 -로 구성하여 리스트를 순회하는 것이므로, 현재의 인덱스로 접근할 수 있는 값에 각각 +와 -를 취한 값을 다시 인자로 전달해주는 방식을 취하면 graph 모델링이 될 수 있을 것이라고 판단했다. (20분 소요.) DFS 순회 후 나오는 결과값을 무엇으로 할지? 생각해보았는데, 이때 고민했던 것이 재귀함수의 입력 인자값으로 정수를 두어 결과값이 increment되게 할지, 아니면 리스트를 선언해서 성공할 때마다 리..
[cs182] Lecture 2. Machine Learning Basics 기초 과목 스터디를 참여하며, 배운 내용들을 정리해두고자 한다. 2월 안에 선형대수, 머신러닝 기초, 그리고 딥러닝 기초 내용을 매주 6개씩 리뷰를 올리는 것을 목표로 하려고 한다. 딥러닝 강의는 UC Berkeley의 cs182 강의를 요약해둔 것이다 ! 잘 모르는 부분은 다른 공부 자료를 통해 reference를 달고, 개념 + 문제를 같이 병행하며 공부한 내용들을 확실히 다지는 시간을 가지고자 한다. 많관부 ! Part 1. Different types of learning problems a. Supervised Learning (입력, 정답) 쌍으로 구성된 dataset D={(x1,y1), (x2,y2), ..., (xn,yn)} 이 주어져서, 모델을 잘 학습해서 어떤 데이터를 입력했을 때 정..
[cs182] Lecture 1. Introduction 기초 과목 스터디를 참여하며, 배운 내용들을 정리해두고자 한다. 2월 안에 선형대수, 머신러닝 기초, 그리고 딥러닝 기초 내용을 매주 6개씩 리뷰를 올리는 것을 목표로 하려고 한다. 딥러닝 강의는 UC Berkeley의 cs182 강의를 요약해둔 것이다 ! 잘 모르는 부분은 다른 공부 자료를 통해 reference를 달고, 개념 + 문제를 같이 병행하며 공부한 내용들을 확실히 다지는 시간을 가지고자 한다. 많관부 ! Part 1. Example(Translating task), Representation Concept: 영어에서 불어로 번역하는 작업을 생각했을 때, 가장 생각하기 쉬운 일반적인 방식은 영어 corpus(문장)과 불어 문장 쌍을 이용해 학습하는 것을 떠올릴 수 있을 것입니다. 하지만 번역하..
[CSS] display: none; vs. visibility: hidden; 공간 할당: display: none;을 사용하면 해당 요소가 문서 레이아웃에서 완전히 제거됩니다. 즉, 요소가 차지하던 공간도 사라져 다른 요소들이 그 공간을 차지하게 됩니다. visibility: hidden;을 사용하면 요소가 레이아웃 상에서 보이지 않게 되지만, 요소가 차지하던 공간은 그대로 유지됩니다. 즉, 요소는 보이지 않지만 공간은 차지합니다. 이벤트 처리: display: none;으로 설정된 요소는 마우스 이벤트나 키보드 이벤트를 받지 않습니다. visibility: hidden;으로 설정된 요소도 마찬가지로 보이지는 않지만, 이벤트는 받을 수 있습니다. 간단히 말해, display: none;은 요소를 완전히 숨기고 레이아웃에서 제거하는 반면, visibility: hidden;은 요소..
huggingface trainer KeyError: “eval_accuracy” 해당 이슈는 eval dataset에서 data collator로부터 올바른 레이블이 할당되지 않았을 때 생긴다. 이 이슈를 해결하기 위해 eval dataset에 올바른 레이블이 할당되었는지 체크해야한다. 이를 위해 할 수 있는 것은 eval dataset을 dataset 라이브러리의 map 메소드를 호출하고 난 뒤, print를 해보는 것을 추천한다. 예를들어 huggingface를 통해 cifar100 데이터셋을 로드하는 경우 “label”이 아니라 “coarse_label”, “fine_label”이 추가되는 것을 확인할 수 있다. 때문에 remove_column으로 “coarse_label”을 지우고 rename_column으로 “fine_label”을 “label” 또는 “labels”로 바꿔..

반응형