이것저것 코딩하는 블로그

0. Selection sort란? Selection sort는 n개의 원소가 있을 때 1. 전체 값 중 가장 작은 값을 찾고 2. 해당 값을 배열의 맨 첫 번째에 배치한 다음 3. 2번째부터 n번째까지의 최솟값을 찾아 2번째에 배치하고 4. 3의 과정을 n번째까지 반복한다. 처음 배열을 돌 때 n-1 번, 그 후의 과정에서 k번째 최소를 찾을 때 각각 k-1번의 비교가 일어나므로 비교 연산은 1+2+..+n-1 = n*(n-1)/2 만큼 일어난다. 따라서 시간복잡도는 O(n^2)이다. 1. 구현 1과 100 사이의 n개의 원소를 selection sort로 정렬하는 코드는 다음과 같다. n = int(input()) nums = input() num = nums.split() min = 100 min_..

0. Bubble Sort (거품 정렬) 이란? 거품 정렬은 가장 간단한 정렬 방법 중 하나로, 첫 번째 값과 두 번째 값을 비교하고 더 큰 것을 뒤로 보내고, 두 번째 값 (앞에서 바뀌었다면 원래는 첫 번째 값일것이다)과 세 번째 값을 비교하고, 이 과정을 정렬될 때까지 반복하여 모든 원소를 비교하는 방법이다. 이 과정을 거치면 첫 번째 정렬에서 최댓값이 맨 뒤로 갈 것이다. 가장 큰 값은 누구와 비교해도 뒤로 밀리기 때문이다. 따라서 원소의 갯수가 N개라면, 두 번째 과정에서는 첫 번째부터 n-1번째까지만 정렬하면 된다. 이 과정을 원소가 하나 남을때까지만 반복하므로 이중 포문으로 구현할 수 있다. 따라서 O(n^2)의 시간복잡도를 가지게 된다. 1. 구현 원소가 1과 100 사이의 자연수라고 할 때..

keras에서 제공하는 Convolutional Network와 LSTM을 이용해 CNN-LSTM을 구현하고 데이터셋에 대해 정확도를 실험해보고자 한다. 본 포스팅에 사용되는 모든 코드는 https://github.com/jasonwei20/eda_nlp 의 코드를 참고한 것이다. 1. 모델 쌓기 def build_cnn_lstm(sentence_length, word2vec_len, num_classes): model = Sequential() model.add(layers.convolutional.Convolution1D(128, 3, padding='same', strides=1)) model.add(Activation('relu')) model.add(layers.convolutional.MaxP..

0. 8-puzzle 문제 백준의 문제 정의를 참고하겠다. 다만 나는 최단 경로의 길이를 찾는 것이 아닌 모든 노드를 방문하여 탐색하는 방식으로 구현했다. www.acmicpc.net/problem/1525 1525번: 퍼즐 세 줄에 걸쳐서 표에 채워져 있는 아홉 개의 수가 주어진다. 한 줄에 세 개의 수가 주어지며, 빈 칸은 0으로 나타낸다. www.acmicpc.net 다만 여기서는 정답 노드를 시계 방향 [1 2 3], [8, 0, 4], [7, 6, 5] 로 하였다. 1. DFS (Depth-First Search) - Stack을 이용하여 DFS는 맹목적 탐색의 한 방법으로, 초기 노드에서 깊이 방향으로 탐색하고, 목표 노드에 도달하면 종료하고, 더 이상 진행할 수 없으면 부모 노드로 돌아가는 ..

leetcode - Increasing Triplet Subsequence 문제 링크: leetcode.com/explore/interview/card/top-interview-questions-medium/103/array-and-strings/781/ Account Login - LeetCode Level up your coding skills and quickly land a job. This is the best place to expand your knowledge and get prepared for your next interview. leetcode.com 이 문제는 증가하는 부분 수열의 길이의 최댓값을 구하는 문제로 풀었다. 이 최댓값이 3보다 크거나 같으면 True, 작으면 False ..

본 포스팅은 Lim, B., Son, S., Kim, H., Nah, S., & Mu Lee, K. 의 Enhanced deep residual networks for single image super-resolution 을 리뷰한 논문이다. 모든 그림과 설명은 논문을 참고했다. 원문 링크: openaccess.thecvf.com/content_cvpr_2017_workshops/w12/html/Lim_Enhanced_Deep_Residual_CVPR_2017_paper.html CVPR 2017 Open Access Repository Bee Lim, Sanghyun Son, Heewon Kim, Seungjun Nah, Kyoung Mu Lee; Proceedings of the IEEE Confer..