문제https://www.acmicpc.net/problem/1417 해설최대 힙을 활용하는 문제였다. import heapqdef solution(target, heap): heapq.heapify(heap) if not len(heap): return 0 answer = 0 while target
문제https://leetcode.com/problems/delete-greatest-value-in-each-row/ 해설2차원 상태의 배열에서 최대 힙을 적용하는 문제이다. Solution 1.아래는 heap을 이용하여 해결한 방식이다. import heapqclass Solution: def deleteGreatestValue(self, grid: List[List[int]]) -> int: answer = 0 while len(grid[0]) != 0: matrix = [] deleted_comp = [] for row in grid: row = [c if c Solution 2..
문제https://leetcode.com/problems/take-gifts-from-the-richest-pile/description/ 해설최대 힙을 이용하는 문제였다. import heapqclass Solution: def pickGifts(self, gifts: List[int], k: int) -> int: heap = [-v for v in gifts] heapq.heapify(heap) for _ in range(k): heapq.heapreplace(heap, -int((-heap[0]) ** 0.5)) return -sum(heap)
문제https://www.acmicpc.net/problem/19638 해설최대 힙을 사용하는 문제였다. # PyPy3import heapqdef solution(target, cnt, heap): heapq.heapify(heap) hammer_cnt = 0 for _ in range(cnt): height = -heap[0] if height == 1 or height
문제https://www.acmicpc.net/problem/2075 해설최소 힙을 사용하여 해결하는 문제이다. 공간복잡도를 고려해야하는 문제이므로 모든 데이터를 입력받은 후 pop을 진행하는 것이 아닌 input 과정 중 필요한 공간만큼만 사용하는 것이 핵심이었다. # PyPy3import heapqdef solution(cnt): heap = [] for _ in range(cnt): for v in list(map(int, input().split())): heapq.heappush(heap, v) if len(heap) == cnt+1: heapq.heappop(heap) return heapq.heap..
머신러닝과 딥러닝에서 모델의 성능을 개선하고 일반화 능력을 높이기 위해 흔히 정규화 기법을 사용한다고 말한다. 여기서 정규화는 크게 Regularization과 Normalization으로 나뉘는데, 두 개념은 서로 다른 목적과 방식으로 적용된다. 하나의 명칭으로 해석되어 혼란스러울 때가 있어 이번에 정리해보려 한다. RegularizationRegularization은 모델의 복잡도를 제어하여 과적합(Overfitting)을 방지하는 데 사용된다. 모델의 가중치(Weight)에 제약 조건을 추가하여 학습된 모델이 새로운 데이터에 대해서도 잘 일반화할 수 있게 한다. 주요 특징가중치 규제과적합 방지모델 일반화 Regularization 방식에는 대표적으로 L1 정규화(Lasso)와 L2 정규화(Ridge..
