예제 leet code # 626 leet code # 1204 Leet Code #626. Exchange Seats [ 문제상황 ] id - 학생이름이 나열되어 있는 테이블에서 - (1,2) / (3,4) / ... 이웃된 학생끼리 id를 swap - 만약 학생 수가 홀수 명이라서 한 명이 남으면 그 학생은 id 유지 [ 해결방법 ] Sol 1 : CASE WHEN 으로 케이스 분류 접근법 : 1. id가 짝수면 (2로 나눈 나머지가 0) 기존 id에서 1을 빼고, 2. id가 홀수면 (2로 나눈 나머지가 1) 기존 id에서 1을 더함. 3. 그런데 전체 학생 수가 홀수일 때 마지막 홀수 번호 학생은 1을 더해주면 안되니까 subquery 이용해서 case 나눠주기. id = (SELECT COUNT..

1. 차원이 크면 생기는 문제점 차원이 커질수록 (1) 데이터 포인트들 간 거리가 크게 증가 (2) 데이터가 희소화됨 (sparse) 데이터 포인트들 간 거리에 기반한 머신러닝 알고리즘이 무력화됨 + 그리고 피처가 많을 경우 개별 피처간에 상관관계가 높아 선형 회귀 같은 모델에서는 다중 공선성 모델로 예측 성능이 저하될 가능성이 높음 2. 차원을 축소하면 장점 - 학습 데이터 크기를 줄여서 training 시간을 절약 - 불필요한 피처들을 줄여서 모델 성능 향상에 기여할 수 있음 (항상 향상되는건 아님) - 다차원의 데이터를 3차원 이하의 차원 축소를 하면 시각적으로 쉽게 데이터 패턴을 인지할 수 있음 3. 차원 축소의 목표 원본 데이터의 정보를 최대한 유지하면서 차원을 축소하기 4. 차원 축소 (1) ..

프로그래머스 LV 3. 대여 횟수가 많은 자동차들의 월별 대여 횟수 구하기 프로그래머스 LV 4 그룹별 조건에 맞는 식당 목록 출력하기 프로그래머스 LV 3. 즐겨찾기가 가장 많은 식당 정보 출력하기 모든 값이 NULL인 새로운 열 만들기 : SELECT NULL AS "열 이름"

We have seen how to construct a Neural Network architecture, and how to preprocess the data. Before we can begin to train the network we have to initialize its parameters. data가 well-normalized 되었다는 가정하에 학습되는 (최종) weight 또한 0을 중심으로 절반은 양수값, 절반은 음수값으로 정해질 것이라고 예측할 수 있을텐데, 그렇다면 다 동일하게 그냥 w=0으로 초기화하면 안되는가?의 질문이다. 모든 w가 동일하다면 ouput = wx로 모든 뉴런이 동일한 parameter update 과정을 겪게 될 것이고 이러면 뉴런을 여러 개 쌓아준 의미가 ..

[ Zero-Centering & Normalization ] * why zero-centering? - recall how gradient was oriented inefficiently when all the inputs were positive either negative - classification becomes less sensitive to small changes in weights * zero-centering : substract the data by global mean * normalizing : divide the data by standard deviation [ PCA & Whitening ] * PCA : data becomes zero-centered AND axis-ali..

# activation function의 역할 : 비선형성 구현 linear한 hidden layer 백만개 쌓아봤자 linear 백만개 합성하면 그대로 linear이기에... activation funciton을 이용하여 non-linearity가 가능하게, 모델이 더 복잡하게 만들어질 수 있도록 해준다. 활성화 함수의 종류로 여러 가지 (sigmoid / tanh / ReLU)등이 있는데 이들 중 어떤 function을 neural network model로 이용할지 결정해야 한다. Sigmoid Function σ(x) = 1/(1+exp(-x)) 위 그림에서 보이는것처럼 σ(x) 의 output은 (0,1)의 범위내로 출력된다. 초기 간단한 Neural Network 구현에서는 σ(x)의 outp..

https://mode.com/blog/date-trunc-sql-timestamp-function-count-on/ date_trunc는 postgresql에 해당, my sql에서 가장 비슷한거는 extract임 DATE_TRUNC: SQL Timestamp Function Explained | Mode Learn how to use Date_Trunc in SQL to round a timestamp to the interval you need. Aggregate time-based data with this helpful function. Examples included. mode.com https://walkingfox.tistory.com/175 [MySQL] date_trunc 함수를 구현하..

Fully - Connected Layer - 모든 input 값과 output 값이 1:1로 연결됨 - Fully-Connected layer models relationships from every input value to every output value - 따라서, it is assumed that any output value can be affected by any input value 지금까지 배운 MLP(다층신경망)가, 가중치 W를 input X에 행렬곱 해주고 이를 활성화함수에 통과시키는 fully connected 구조였다. Convolution 연산 - fully connected 구조와 다르게 kernel을 input vector에서 움직이면서 linear model이 적용되는 연..

1. Issues with Linear Classifiers 2. Features 3. Image Features domain knowledge를 이용해서 feature를 뽑아내고 ML Training을 할 수 있다면 그게 best 무조건 딥러닝 적용한다고 다 좋은게 아님 그래서 우리는 어떻게 저 이미지 원본 (original input X)로부터 label y (output)까지 한 번에 연결할 수 있을까? 그리고 학습을 바탕으로 파라미터를 업데이트해서 더 이미지를 잘 분류할 수 있는 classifier를 만들 수 있을까? ==> Neural Network의 도입 4. Neural Network 신경망의 가장 간단한 구조인 퍼셉트론에서 시작해서 XOR문제를 해결하기 위해 여러 개의 층을 연결함 MLP로..