코딩세상

문제 설명 함수 solution은 정수 n을 매개변수로 입력받습니다. n의 각 자릿수를 큰것부터 작은 순으로 정렬한 새로운 정수를 리턴해주세요. 예를들어 n이 118372면 873211을 리턴하면 됩니다. 제한 조건 n은 1이상 8000000000 이하인 자연수입니다. 입출력 예 n return 118372 873211 def solution(n): ls = list(str(n)) ls.sort(reverse=True) return int("".join(ls)) [코드 설명] .sort()함수는 list에서 사용할 수 있으므로 int형태인 n의 값을 list(str(n))을 통해 변수 ls에 리스트의 형태로 선언합니다. 그 후 .sort()함수를 통해 sort를 진행하는데 기본값은 오름차순으로 정렬 되므..

문제 설명 임의의 양의 정수 n에 대해, n이 어떤 양의 정수 x의 제곱인지 아닌지 판단하려 합니다. n이 양의 정수 x의 제곱이라면 x+1의 제곱을 리턴하고, n이 양의 정수 x의 제곱이 아니라면 -1을 리턴하는 함수를 완성하세요. 제한 사항 n은 1이상, 50000000000000 이하인 양의 정수입니다. 입출력 예 n return 121 144 3 -1 입출력 예 설명 입출력 예#1 121은 양의 정수 11의 제곱이므로, (11+1)를 제곱한 144를 리턴합니다. 입출력 예#2 3은 양의 정수의 제곱이 아니므로, -1을 리턴합니다. import math def solution(n): answer = 0 if math.sqrt(n)%1 == 0: answer = (math.sqrt(n) + 1)**2..

이전 포스팅에서 저희는 딥러닝 모델 학습의 문제점 중 초기값 설정 문제를 알아보고 이를 방지하기 위한 방지 기법에 대해 알아보았습니다. 오늘은 딥러닝 모델 학습의 문제점 중 마지막 문제인 과적합 문제와 방지 기법에 대해 알아보겠습니다. - 딥러닝 모델 학습에서의 과적합 방지 기법 딥러닝 모델 학습에서의 과적합(overfitting)문제는 모델이 학습 데이터에 너무 과하게 학습되어 다른 데이터가 들어왔을 때 성능이 현저하게 떨어지는 것을 말합니다. 이와 같은 과적합 현상을 방지하기 위해 다양한 방지 기법이 등장하였는데, 정규화(Regularization) 드롭아웃(Dropout) 배치 정규화(Batch Normalization) 다양한 방지 기법 중 위에 적어논 3개의 방지 기법에 대해 알아보겠습니다. -..

문제 설명 정수를 저장한 배열, arr 에서 가장 작은 수를 제거한 배열을 리턴하는 함수, solution을 완성해주세요. 단, 리턴하려는 배열이 빈 배열인 경우엔 배열에 -1을 채워 리턴하세요. 예를들어 arr이 [4,3,2,1]인 경우는 [4,3,2]를 리턴 하고, [10]면 [-1]을 리턴 합니다. 제한 조건 arr은 길이 1 이상인 배열입니다. 인덱스 i, j에 대해 i ≠ j이면 arr[i] ≠ arr[j] 입니다. 입출력 예 arr return [4,3,2,1] [4,3,2] [10] [-1] def solution(arr): arr.remove(min(arr)) if len(arr)==0: arr.append(-1) return arr [코드 설명] .remove()함수와 min()함수를 사..

문제 설명 정수 num이 짝수일 경우 "Even"을 반환하고 홀수인 경우 "Odd"를 반환하는 함수, solution을 완성해주세요. 제한 조건 num은 int 범위의 정수입니다. 0은 짝수입니다. 입출력 예 num return 3 "Odd" 4 "Even" def solution(num): answer = '' if num%2 == 0: return "Even" else: return "Odd" [코드 설명] 짝수와 홀수일 경우 출력되는 값이 다르기 때문에 if 문 안에 num%2 == 0 의 조건을 통해 짝수를 판별하고 해당 조건일 경우 "Even"을 반환하도록 하고 그렇지 않으면 "Odd"를 반환하도록 하였습니다.

이전 포스팅에서 저희는 딥러닝 모델 학습의 문제점 중 기울기 소실 문제를 알아보고 이를 방지하기 위한 활성화 함수에 대해 알아보았습니다. 오늘은 딥러닝 모델 학습의 문제점 중 세번째 문제인 초기값 설정 문제와 방지 기법에 대해 알아보겠습니다. - 잘못된 초기값 설정 - 초기화의 중요성 위 그림과 같이 처음 학습을 진행할 때 가중치의 값이 w = 100으로 설정 되어있는 것처럼 초기값을 잘못 설정하게 되면 오른쪽의 그래프처럼 비 정상적인 값이 나오게 됩니다. - 가중치 초기화(Weight Initialization) 그렇다면 가중치 초기화는 왜 해줘야될까요? 바로 활성화 함수의 입력값이 위 그림처럼 너무 커지거나 혹은 너무 작아지지 않게 만들어주려는 것이 가중치 초기화의 핵심입니다. - 초기화 설정 문제 ..

이전 포스팅에서 저희는 딥러닝 모델 학습의 문제점 중 학습 속도 문제를 알아보고 이를 해결한 최적화 알고리즘에 대해 알아보았습니다. 오늘은 딥러닝 모델 학습의 문제점 중 두번째 문제인 기울기 소실문제와 방지 기법에 대해 알아보겠습니다. - 딥러닝 모델 학습 방법 되짚어보기 이전에 배웠듯이 딥러닝 모델은 순전파와 역전파의 반복을 통해 우리가 목표하고자 하는 결과를 도출해내는 모델입니다. 여기서 역전파에 대해 다시 한번 의미를 되짚어보면 나의 목표 target 값과 실제 모델이 예측한 outpu값이 얼마나 차이나는지 구한 후 오차값을 다시 뒤로 전파해가며 변수들을 갱신하는 알고리즘입니다. - 기울기 소실 문제(Vanishing Gradient)의 발생원인 그렇다면 왜 딥러닝 모델에서 기울기 소실 문제가 발생..

문제 설명 1937년 Collatz란 사람에 의해 제기된 이 추측은, 주어진 수가 1이 될 때까지 다음 작업을 반복하면, 모든 수를 1로 만들 수 있다는 추측입니다. 작업은 다음과 같습니다. 1-1. 입력된 수가 짝수라면 2로 나눕니다. 1-2. 입력된 수가 홀수라면 3을 곱하고 1을 더합니다. 2. 결과로 나온 수에 같은 작업을 1이 될 때까지 반복합니다. 예를 들어, 주어진 수가 6이라면 6 → 3 → 10 → 5 → 16 → 8 → 4 → 2 → 1 이 되어 총 8번 만에 1이 됩니다. 위 작업을 몇 번이나 반복해야 하는지 반환하는 함수, solution을 완성해 주세요. 단, 주어진 수가 1인 경우에는 0을, 작업을 500번 반복할 때까지 1이 되지 않는다면 –1을 반환해 주세요. 제한 사항 입력..

문제 설명 정수를 담고 있는 배열 arr의 평균값을 return하는 함수, solution을 완성해보세요. 제한사항 arr은 길이 1 이상, 100 이하인 배열입니다. arr의 원소는 -10,000 이상 10,000 이하인 정수입니다. 입출력 예 arr return [1,2,3,4] 2.5 [5,5] 5 def solution(arr): answer = 0 for i in range(len(arr)): answer += arr[i] return answer/len(arr) [코드 설명] 배열의 모든 수를 더한 후 이 수들의 평균을값을 구하는 것이기 때문에 for문 안의 range의 범위를 배열 arr의 길이로 넣어주고 변수 answer에 각 배열의 값들을 합연산을 통해 더한 후 이 값을 배열 arr의 길..

- 학습 속도 문제의 발생 원인 앞서 설명한 4가지의 문제중 우선 학습 속도 문제의 발생 원인에 대해 알아보겠습니다. 앞서 텐서플로우로 딥러닝 모델 구현하기 내용에서 하이퍼 파라미터 중 batch에 대해 설명했었습니다. 다시 한번 설명하면 Batch는 나눠진 데이터셋 (보통 mini-batch라고 표현)를 의미합니다. 최근엔 이렇게 Batch size를 지정하여 데이터 셋을 나눠서 학습을 진행하지만 과거에는 데이터가 증가하는데도 불구하고 전체 학습 데이터 셋을 사용하여 손실함수를 계산하기 때문에 계산량이 너무 많아지는 문제가 생겼습니다. - 학습 속도 문제 해결 방법 이러한 문제를 해결하기 위해 전체 데이터가 아닌 부분 데이터만 활용하여 손실함수를 계산하자 라는 의견이 나왔고 이를 해결할 수 있는 손실 ..