yuns

an algorithm based on gradient descend to optimize the parameters in a model. 3.3 Neural Networks Feedforward neural network Convolutional neural network Recurrent neural network Graph neural network

Introduction Neural networks, which is consists of numerous neurons with connections to each other. 3.1.1 Neuron Activation function sigmoid function tanh function ReLU

2.3.1 Basic Concets $$G=(V,E)$$ Graph Symbols $$G=(V,E)$$ $V$ : the set of vertices $E$: the set of edges An edge $e=u,v$ has two endpoints $u$ and $v$ which are said to be joined by $e$. $u$ is the neighbor of $v$ which mean adjacent. edges can be either directed or undirected. 2.3.2 Algebra representations of graph Adjacency matrix $$A_{ij}=\begin{cases}1 & if \{ v_i, v_j\} \in E \, and \, (i ..

2.2.1 Basic Concepts and Formulas Random variable a variable that has a random value. X로부터 $x_1$와 $x_2$의 두 변수가 나올 수 있게 될 경우 아래의 식이 성립한다. $$P(X=x_1) + P(X=x_2)=1$$ ] Joint probability 두 개의 random variable X, Y에서 각각 $x_1$와 $y_1$가 뽑힐 확률 $P(X=x_1, Y=y_1)$ Conditional Probability $Y=y_1$가 뽑혔을 때 $X=x_1$가 같이 뽑힐 확률 $P(X=x_1|Y=y_1)$ fundamental rules sum rule: $P(X=x)=\sum_y P(X=x, Y=y)$ product rule: $P(..

n, k = map(int, input().split()) cnt = 0 res = 0 # n 이 k보다 큰 경우 while n >= k: #n이 k로 나누어 떨어지지 않을 경우 n -= 1 while n % k != 0: n -= 1 res += 1 n /= k res += 1 res += (n-1) print(res)

n, m = map(int, input().split()) res = 0 for _ in range(m): data = list(map(int, input().split())) #가장 작은 수 minValue = min(data) #작은 수 중 큰 수 res = max(res, minValue) print(res)

큰 수의 법칙 첫 줄에 n, m, k을 입력으로 받는다. n은 받을 데이터의 개수, m는 더하는 숫자의 개수, k는 연속으로 더할 수 있는 최대개수를 의미한다. #큰 수의 법칙 n, m, k = map(int, input().split()) data = list(map(int, input().split())) data.sort() # 가장 큰 두 개의 숫자의 연속인 합으로 나타남 first = data[n - 1] second = data[n - 2] res = 0 while True: #가장 큰 수를 연속으로 k번 더하기 for _ in range(k): if m == 0: break else: res += first m -= 1 if m == 0: break #하나의 숫자를 연속으로 k번 더한 뒤 다..

2.1.1 Basic Concepts Scalar: A number Vector: A column of ordered numbers $$x=\begin{bmatrix} x_1 \\ x_2 \\ \vdots \\x_n \end{bmatrix}$$ norm of vector: the length $L_p$ norm: $||x||_p = (\sum_{i=1}^{n}|x_i|^p)^{1/p}$ $L_1$ norm: $||x||_1 = (\sum_{i=1}^{n}|x_i|)$ $L_2$ norm: $||x||_2 = \sqrt{\sum_{i=1}^{n}{x_i}^2}$ --> used to measure the length of vectors $L_\infty$ norm: $||x||_\infty = max_i..