쵸코쿠키의 연습장

풀이 #include #include using namespace std; int tester1[5] = {1,2,3,4,5};int tester2[8] = {2,1,2,3,2,4,2,5};int tester3[10] = {3,3,1,1,2,2,4,4,5,5}; int max(int a, int b){ return a < b ? b : a;} vector solution(vector answers) { vector answer; vector score(3); int maxScore = 0; for(int i=0; i < answers.size(); i++){ if(tester1[i % 5] == answers[i]) score[0]++; if(tester2[i % 8] == answers[i]) scor..

풀이 #include #include #include #include using namespace std; string solution(vector participant, vector completion) { std::sort(participant.begin(), participant.end()); std::sort(completion.begin(), completion.end()); int num = 0; for(int i=0; i < participant.size(); i++){ if( participant[i] != completion[i]){ return participant[i]; } } return participant[participant.size()];} 실행 결과 정확성 테스트테스트 1 ..

풀이 #include #include using namespace std; long long solution(int N) { long long answer = 0; vector check(N+1); for(int i=2;i num; cout

신경망의 작동 원리이제 신경망의 기본 구조가 어떻게 생겼는지 아이디어를 얻었으니, 어떻게 작동하는지 설명하겠습니다. 그렇게 위해서, 네트워크에 포함할 수 있는 다양한 종류의 뉴런을 설명할 필요가 있습니다. 뉴런의 첫번째 유형은 Perceptron입니다. 비록 오늘날 쇠퇴했지만, 어떻게 작동하는지 이해하는 것은 더 현대적인 뉴런들이 어떻게 기능하는지에 대한 좋은 단서를 줄 것입니다. Perceptron은 이항 변수의 벡터를 단일 이항 출력에 매핑하여 이항 분류기를 학습하는 기능을 사용하고 supervised 학습에도 사용할 수 있습니다. 이러한 맥락에서 Perceptron은 다음 단계를 따릅니다. 1. 모든 인풋에 weight를 곱하고, 해당 인풋이 아웃풋에 얼마나 중요한지 나타내는 실제 숫자를 곱합니다...

먼저 딥러닝 부분에 초점을 맞추는 것은 중요하고 흥미롭습니다. "핵심 아이디어"에 대한 질문으로 돌아가보겠습니다. 그 핵심 아이디어는 딥 러닝과 일반적인 머신 러닝의 차이점에 나온다고 생각합니다. "딥"이라는 단어가 의미하는 유일한 것은 많은 숨겨진 층으로 신경망을 훈련시킬 수 있다는 것입니다. 몇십 년 전에는 잘 작동하지 않았습니다. 신경망 훈련을 더 잘 구상하고 더 빠르게 할 수 있도록 다양한 새로운 아이디어들이 만들어졌지만, 근본적으로 "딥 러닝"과 오래된 신경망 훈련 사이에 차이는 많이 다르지 않습니다. 하지만, 이 딥 러닝의 성공으로 촉발된 부활은 이전에는 훈련할 수 없었던 새로운 신경망 구조들로 이어지고 있습니다. 그리고 인상적인 결과를 가져오고 있습니다. 딥러닝과 그 결과들은 다른 포스팅을 ..

CNN(Crovolutional neural network)은 영상 인식과 처리에 사용되는 인공 신경망의 일종으로, 픽셀 데이터를 처리하도록 특별히 고안되었습니다. CNN은 강력한 이미지 처리, 인공지능(AI)으로, generative와 descriptive의 두 가지 작업을 모두 수행하할 떄 딥 러닝을 사용하는데, 종종 추천 시스템 및 NLP(Natural Language Processing)와 함께 영상과 비디오 인식을 포함하는 머신바이저를 사용합니다. 신경망은 인간의 뇌에 있는 뉴런의 작동 후에 패턴화된 하드웨어 또는 소프트웨어의 시스템입니다. 기존의 신경 네트워크는 이미지 처리에 적합하지 않으며, 분해능이 낮은 조각으로 이미지를 공급해야 합니다. CNN은 인간과 다른 동물들의 시각적 자극을 처리하..

백프로포제이션이 필요한 이유는 무엇입니까?신경망을 설계하는 동안 처음에는 무작위 값이나 그 사실에 대한 변수를 사용하여 가중치를 초기화합니다. 명백하게, 우리는 초인적인 사람이 아닙니다. 따라서, 우리가 선택한 어떤 Weight 값이든 정확할 필요는 없습니다. 처음에는 몇 가지 Weight 값을 선택했지만, 모델 출력은 실제 생산량과 너무 달라집니다. 즉, 오류 값이 엄청 큽니다. 어떻게 오류를 줄일 수 있을까요? 기본적으로, 우리가 해야 할 일은 모형을 어떻게든 설명하여 파라미터를 변경해야 합니다(가중치). 다른 방법으로는, 우리의 모델을 훈련시킬 필요가 있습니다. 모델을 훈련시키는 한 가지 방법은 백프로파게이션이라고 불립니다. 아래 다이어그램을 고려합니다. 신경망을 교육 - 백프로파게이션위 단계를 요..

MLP(Multilayer Perceptron)다층 지각(MLP)은 일련의 입력에서 일련의 출력을 생성하는 피드포워드 인공 신경 네트워크입니다. MLP는 입력 계층과 출력 계층 사이에 지시된 그래프로 연결된 여러 입력 노드의 계층이 특징입니다. MLP는 백프로포지션을 사용하여 신경망을 훈련합니다. MLP는 딥 러닝 방법 중 하나입니다. 관련 설명다층 지각(MLP)은 지시된 그래프로 여러 층을 연결하는 신경망입니다. 즉, 노드를 통과하는 신호 경로가 한 방향으로만 이동한다는 의미입니다. 입력 노드와 별도로 각 노드에는 비선형 활성화 기능이 있습니다. MLP는 Supervised(감독된 학습 기법)으로 백프로파싱을 사용합니다. 뉴런의 층이 여러 개이기 때문에, MLP는 딥 러닝 기법인 것입니다. MLP는 컴..

Multilayer Neural Network(다중 계층 신경 네트워크)의 의미다층 신경망은 하나 이상의 인공 뉴런 또는 노드를 포함합니다. 이것들은 디자인 면에서 크게 다릅니다. 단층 신경망은 AI의 진화 초기에 유용했지만, 오늘날 사용되는 대부분의 네트워크는 다층 모델을 가지고 있다는 점을 유념해야 합니다. 다층 신경망은 여러 가지 방법으로 설정될 수 있습니다. 일반적으로 입력 계층은 일련의 숨겨진 계층으로 가중 입력을 전송하는 하나 이상의 입력 계층과 끝에 있는 출력 계층이 있습니다. 이러한 보다 정교한 설정은 또한 인공 뉴런의 발화 또는 활성화를 지시하는 Sigmoids와 다른 기능을 사용하는 비선형 구조와도 관련이 있습니다. 이러한 시스템 중 일부는 물리적인 물질로 구축될 수 있지만, 대부분은 ..

Deep Neural Network(깊은 신경망)은 일정 수준의 복잡성을 가진 신경망, 즉 두 개 이상의 층을 가진 신경망입니다. Deep Neural Network는 복잡한 방법으로 데이터를 처리하기 위해 정교한 수학 모델링을 사용합니다. Deep Neuural Network에 대해일반적으로 신경 네트워크는 인간의 뇌의 활동을 시뮬레이션하기 위해 만들어진 기술입니다. 특히 패턴 인식과 다양한 계층의 시뮬레이션된 신경 연결을 통한 입력 전달을 시뮬레이션하기 위해 만들어진 기술입니다. 많은 전문가들은 Deep Neural Network을 입력 계층, 출력 계층, 그리고 그 사이에 하나 이상의 숨겨진 계층이 있는 네트워크로 정의합니다. 각 계층은 일부에서 "기능 계층"이라고 부르는 프로세스에서 특정 유형의 ..

신경망?신경망은 인간의 뇌를 본따서 스스로 모델을 만드는 머신러닝의 한 종류입니다. 이것은 알고리즘을 통해 컴퓨터가 새로운 데이터를 통합함으로써 학습할 수 있는 인공 신경망을 만듭니다. 요즘 인공지능 알고리즘이 풍부하지만, 신경망은 이른바 '딥러닝'을 수행할 수 있습니다. 뇌의 기본 단위가 뉴런인 반면, 인공 신경망의 필수적인 구성 단위는 단순한 신호 처리를 수행하는 지각변동체이며, 그런 다음 이것들은 큰 메쉬 네트워크로 연결됩니다. 신경망이 있는 컴퓨터는 이전에 미리 라벨을 붙였던 훈련 예를 분석하게 하여, 과제를 하도록 가르칩니다. 딥러닝을 이용한 신경망의 업무의 일반적인 예는 객체 인식 작업인데, 여기서 신경 네트워크는 고양이, 거리 표지 등 특정 유형의 많은 물체를 제시하고, 컴퓨터는 제시된 영상..

ImageNet 경기는 이미지 분류에서 최고의 정확성을 얻기 위해 팀이 경쟁하는 대회입니다. 즉, 고양이라는 이미지가 주어진다면 컴퓨터가 고양이라고 자율적으로 말할 수 있을까요? 이것은 인간에게 믿을 수 없을 정도로 간단한 것처럼 들릴 수도 있지만, 사실 컴퓨터에게는 불가능했습니다. 이러한 혁신을 심층적인 학습(딥 러닝)이 이끌어 냈습니다. - 심층 학습을 위한 대규모 데이터 세트를 만들었습니다. 이것은 그 자체로 엄청난 돌파구였습니다. Geoff Hinton은 다소 설득력 있게, 60년대까지 거슬러 올라가는 ANNs에도 불구하고, 딥 러닝이 지금 작동하는 유일한 이유는 "더 많은 계산과 데이터, 바로 그것"이라고 말했습니다. 이 거대한 데이터셋의 가용성은 딥 러닝에 놀라운 장점입니다. - GPU에서 교..

머신러닝(ML)은 소프트웨어 응용 프로그램이 명시적으로 프로그래밍되지 않고 결과 예측에 더 정확해질 수 있도록 하는 알고리즘의 범주입니다. 기계 학습의 기본 전제는 입력 데이터를 수신할 수 있는 알고리즘을 구축하고 통계 분석을 사용하여 결과를 예측하는 동시에 새 데이터를 사용할 수 있게 되면 결과를 업데이트하는 것입니다. 머신러닝과 관련된 프로세스는 데이터 마이닝 및 예측 모델링과 유사합니다. 두 가지 모두 패턴을 찾기 위해 데이터를 검색하고 그에 따라 프로그램 작업을 조정해야 합니다. 많은 사람들은 인터넷에서 쇼핑하면서 기계에 대해 배우고 구매와 관련된 광고를 보는 것에 익숙합니다. 이는 권장 엔진이 기계 학습을 사용하여 거의 실시간으로 온라인 광고 전달을 개인화하기 때문에 발생합니다. 개인화된 마케팅..

onResume() 방법으로 활동을 안전하게 완료하는 방법은 무엇입니까? onResume()은 해당 데이터를 intent에서 일부 "extra" 데이터를 읽고 그에 따라 UI를 업데이트할 수 있습니다. onResume() 메소드로 간단히 finish()를 호출할 수 있을까요? 둘 다 라이프 사이클과 관련이 있다는 점에서 예상치 못한 일들이 좀 우려될 수 있습니다. 다른 더 좋은 방법이 있을 수도 있고, 유의해야할 부분들도 있을 것 같습니다. 활동이 유해한 영향을 주지 않고 언제든지 피니시()를 호출하여 자체 종료하는 것이 안전합니다. 분명히 finish()을 호출하기 전에 필요한 설정/데이터를 저장했는지 확인해야 합니다. 활동 설계에 따라 전적으로 사용자의 책임따릅니다.

Android Manifest 파일의 용도는 무엇입니까? Android 응용 프로그램 매니페스트 파일에서 찾을 수 있는 내용을 설명하는 훌륭한 답변들이 몇 가지 있었지만, 매니페스트의 용도에 대해 조금 더 알아보았습니다. 짐작하시겠지만, 매니페스트에 제공된 많은 정보가 애플리케이션 패키지의 다른 곳에서도 찾을 수 있는데, 매니페스트가 있는 이유는 무엇일까요? 매니페스트는 기본적으로 다음 역할을 수행합니다. - 패키지의 다른 파일을 읽거나 응용 프로그램을 실행하지 않고도 앱에 대한 주요 정보를 사용할 수 있습니다.- 다른 앱에서 외부에서 액세스할 수 있는 애플리케이션 구성 요소(예: 활동 및 서비스)와 이러한 구성 요소가 다른 앱과 어떻게 상호 작용하는지를 정의합니다.- 특히 다른 앱과 관련하여 어떤 구성..

이번 포스팅에서는 홈 네트워크 환경에 따라 클라이언트, 서버 및 호스트 컴퓨터의 관계를 정의합니다. 클라이언트/서버 모델에 대해서는 가능성이 무한합니다. 또한, 클라이언트/서버 아키텍처는 인터넷을 가능하게 합니다. 이것은 LAN에 따라 클라이언트/서버 모델에 대한 기본적인 이해를 제공하도록 설계되었습니다. 클라이언트/서버 아키텍처(예: 웹 사이트 서버)를 위한 전체 리소스를 생성하는 것은 이번 포스팅 범위를 벗어납니다. 그러나 기본 개념은 동일하다고 생각합니다. 서버는 여전히 서버이며 클라이언트는 여전히 클라이언트 역할을 수행합니다. 클라이언트란?클라이언트는 서버에서 사용할 수 있는 서비스에 액세스하는 컴퓨터 하드웨어 장치 또는 소프트웨어를 뜻합니다. 서버는 종종 실제 별도의 컴퓨터에 위치합니다(항상 그..

프로젝트를 깃을 활용하는 경우, git push.default에 대해 고군분투하였습니다. 그러나 push.default "matching"과 "simple"의 차이가 무엇인지 확실하지 않아 조사를 해보았습니다. git push - 구성에 따라 모든 브랜치 또는 단일 브랜치를 푸시합니다 : 구성 1 – 모든 브랜치 푸시git config --global push.default matching이것은 모든 브랜치들을 remote 브랜치에 push하고 병합할 것을 나타냅니다. 모든 브랜치를 푸시하지 않으려면 현재의 브랜치만 푸시하면 됩니다. 구성 2: 현재 브랜치만 푸시git config --global push.default simple브랜치를 하나씩 푸시합니다. 이것은 대부분 현재의 지점과 연결되어 있습니다..

지식 기반 인공지능(Knowledge based AI)기존의 지식 기반 시스템은 AI의 발전에 대한 접근 방식이 다릅니다. 철학자이자 인지과학자인 대니얼 데넷은 '상향 조직적이고 관료적으로 효율적인 노하우를 갖춘 시스템'에서 빅데이터를 활용한 시스템, 데이터 마이닝·딥러닝 등 '통계 패턴 찾기 기법'을 전환 전략으로 꼽았습니다. 지식 기반 AI의 예로는 신호 처리와 안면 인식 등 패턴 인식 문제에 집중하는 딥러닝 기술의 일종인 신경망 시스템 등이 있습니다. 데이터 기반 AI(Data based AI)데이터 기반 방법은 많은 질문/응답 쌍의 예를 "교육"하여 올바른 답을 얻을 수 있는 시스템을 구축하는 데 초점을 맞춥니다. 이 작업을 하는 방법은 매우 다양합니다. 아마도 가장 인기 있는 방법은 다양한 형태..

많은 사람들에게 인공 지능은 공상 과학 영화의 이미지와 미래를 상상하게 합니다. 그들은 그것을 자신의 직업에 때로는 위협으로 간주하지만 AI는 개인용 컴퓨터 이후로 업무 생산성 측면에서 가장 큰 도약을 의미하며 다른 일부 산업은 정부만큼 AI 혜택을 누릴 수 없습니다. AI를 통해 정부의 업무 방식을 바꿀 수 있으며 직원들이 업무를 효율적으로 수행 할 수 있습니다. AI는 이미 수많은 클라우드 플랫폼에 통합되어 있으며 새로운 정보를 찾고 즉시 결과를 제공하는 데 사용할 수 있습니다. 이것을 "본질적인 인공 지능"이라고 부릅니다. AI는 의사 결정을 가속화하고 평범하고 반복적인 작업을 자동화함으로써 직원의 능률을 향상시킬 수있는 잠재력이 있습니다. 일상 업무에 기계 학습을 가져 오면 정부 기관 및 부서는 ..

침입. 인수인계.이것들은 지난 몇 년 동안 로봇과 인공 지능에 관한 뉴스 헤드 라인에서 자주 나오는 단어들입니다. 이 보도는 일자리에 대한 위협에 중점을 두고 인적 구성 요소를 압박하면서 거의 부정적이었습니다. 로봇과 인공 지능이 위협이 된다면 사회 자체의 위협이 될 수 있습니다. 로봇 및 자율 시스템의 시장은 2025 년까지 매년 9.8 ~ 19.3 조 달러로 추산되지만 최근 보고서에 따르면 이것이 2 계층 사회로 이어질 수 있다는 우려가 제기되었습니다. 엘리트 고 숙련 집단이 사회의 고등부와 저숙련, 저소득층을 지배하며 그에 따른 상향 이동 가능성이 제한되어 사회적 사다리가 망가지는 것입니다. 기술 혁신은 항상 현상에 영향을 미치고 변화가 가져올 두려움을 자극했습니다. 현재 두려움은 생산 수단의 소유..