ODDA

https://school.programmers.co.kr/learn/courses/30/lessons/42842 프로그래머스SW개발자를 위한 평가, 교육의 Total Solution을 제공하는 개발자 성장을 위한 베이스캠프programmers.co.krbrown, yellow수로 전체 카펫의 크기 맞추기노란색 카펫은 항상 갈색 카펫에 둘러싸여 있다카펫의 가로길이는 세로 길이와 같거나 세로 길이보다 길다Test Case)brown = 10 yellow = 2가로 길이 > 세로 길이이므로 2 X 1 형태의 직사각형으로 노란색 카펫이 존재그 주위를 둘러싸는 갈색 카펫은 가로 4, 세로 3으로 존재전체 카펫의 크기는 [4, 3]Solution)전체 가로의 길이는 노란색 카펫 가로의 길이 + 2, 전체 세로의 ..

https://school.programmers.co.kr/learn/courses/30/lessons/131127 프로그래머스SW개발자를 위한 평가, 교육의 Total Solution을 제공하는 개발자 성장을 위한 베이스캠프programmers.co.kr회원등록 시 원하는 제품을 모두 할인받을 수 있는 회원등록 날짜의 총일수를 구하는 문제want : 구매하고 싶은 제품number : 원하는 제품의 수량discount : 할인하는 제품 (매일 한 가지 제품을 할인)회원은 할인하는 제품을 하루에 하나 씩만 구매 가능, 자신이 원하는 제품과 수량이 할인하는 날짜와 10일 연속으로 일치하는 리스트의 개수가 할인받을 수 있는 회원등록 날짜의 총 일수 Solution.want, number을 각각 key와 val..

https://school.programmers.co.kr/learn/courses/30/lessons/178870 프로그래머스SW개발자를 위한 평가, 교육의 Total Solution을 제공하는 개발자 성장을 위한 베이스캠프programmers.co.kr비내림차순으로 정렬된 정수 수열과 부분 수열의 합(k)이 주어졌을 때, 부분 수열의 시작 인덱스와 마지막 인덱스를 반환부분 수열은 기존 수열에서 임의의 두 인덱스의 원소와 그 사이의 원소를 모두 포함해야 한다.부분 수열의 합은 k합이 k인 부분 수열이 여러 개인 경우 길이가 짧은 수열을 찾고, 길이가 짧은 수열이 여러 개인 경우, 시작 인덱스가 작은 부분 수열을 반환Test case1. sequence = [1, 2, 3, 4, 5] k = 7 이면, ..

https://school.programmers.co.kr/learn/courses/30/lessons/120866 프로그래머스SW개발자를 위한 평가, 교육의 Total Solution을 제공하는 개발자 성장을 위한 베이스캠프programmers.co.kr배열 board은 지뢰가 있는 지역은 1, 지뢰가 없는 지역은 0으로 저장되어 있습니다. 위험지역은 지뢰가 있는 지역과 지뢰에 인접한 위, 아래, 좌, 우, 대각선 칸을 포함합니다. 지뢰가 매설된 지역의 지도 board가 매개변수로 주어질 때, 안전한 지역의 칸 수를 반환하는 solution 함수를 완성해 주세요 Test Case 1) 지뢰가 (3,2)에 위치할 때 위험 지역은 총 8칸, 따라서 안전한 지역의 칸 수는 16 board [i][j]가 1인..

2025.04.16 - [딥러닝] - Seq2Seq Seq2SeqSeq2Seq 모델은 Attention, Transformer의 기초가 되는 딥러닝 모델로서 시퀀스 데이터를 처리하는 RNN과 LSTM의 단점을 보완한 모델입니다. 특히 Seq2Seq 모델은 하나의 입력 시퀀스에서 다른 시퀀스로 출력up-one-coding.tistory.comRnn 모델의 장기 의존성 문제의 해결책으로 나온 Seq2Seq 모델에도 단점은 존재합니다. Encoder의 학습으로 산출된 Context vector은 압축된 정보가 담기므로 시퀀스가 길수록 정보 손실이 크고 학습이 어렵다는 것입니다. 이를 해결하기 위해 나온 구조가 Attention입니다. 기존 방식처럼 압축된 정보, Context Vector만을 추론하여 Deco..

Seq2Seq 모델은 Attention, Transformer의 기초가 되는 딥러닝 모델로서 시퀀스 데이터를 처리하는 RNN과 LSTM의 단점을 보완한 모델입니다. 특히 Seq2Seq 모델은 하나의 입력 시퀀스에서 다른 시퀀스로 출력시키는 프로세스에 적합하므로 특정 언어를 다른 언어로 번역하는데 많이 활용됩니다. Seq2Seq 모델부터는 인코더와 디코더의 개념이 활용됩니다.기존 RNN 계열 모델은 시퀀스가 길어질수록 이전 정보가 현재 시점에서는 많이 희석되어 기울기가 소실되는 단점이 존재했습니다. Seq2Seq 모델은 이 문제점을 해결하기 위해 Context Vector라는 개념을 활용합니다. 입력 시퀀스에 대해서 Encoder가 학습을 하면 Context Vector에는 학습 내용이 압축되어 산출됩니..