hye-log

🎀 개별학습 [4] AutoGrad & Optimizer 1. torch.nn.Module 1) 딥러닝을 구성하는 Layer의 base class 2) Input, Output, Forward, Backward, parameter(tensor) 정의 3) nn.Parameter - Tensor 객체의 상속 객체 - nn.Module 내에서 attribute가 될 때는 required_grad=True (AutoGrad)로 지정되어 학습 대상이 되는 Tensor - 대부분의 layer에는 weights 값들이 지정되어 있음(직접 선언할 일이 거의 없다) 4) Backward - Layer에 있는 Parameter들의 미분을 수행 - Forward의 결과값(예측치)와 실제값 간의 차이(loss)에 대해 미분..

🎀 개별학습 [1] Introduction to PyTorch 1. 딥러닝의 프레임워크 1) computation 관점에서 PyTorch와 TensorFlow의 차이 - PyTorch : Define by Run - TensorFlow : Define and Run - 참고 자료 : https://datasciencecareer.wordpress.com/2020/12/09/ml03-pytorch-vs-tensorflow/ 2. Computational Graph 1) 연산 과정을 그래프로 표현 2) Define and Run : 그래프를 먼저 정의하고 실행 시점에 데이터를 가져옴 3) Define by Run(Dynamic Computational Graph) : 실행을 하면서 그래프를 생성함 -> Py..

🌟 개별학습 [6] Numpy 0. Numpy 1) Numerical Python 2) 파이썬의 고성능 과학 계산용 패키지 [심화] 최대가능도추정법(최대우도법, MLE) [심화] 정규분포의 모수에 대한 최대가능도 측정 🌟 오늘의 회고 부스트캠프 시작하고 드디어 처음 맞이하는 금요일이다!! 한 주 동안 긴장+설렘+무서움+기쁨 여러 복잡한 감정으로 시작해서 한 주를 무사히 끝마쳤다는 게 너무나도 행복하다. 오전에 데일리스크럼을 시작으로 넘파이 강의를 들었다. 오후에도 강의를 듣고, 심화과제를 보다가 3시에 멘토님과 처음 만나는 시간을 가졌다. 멘토님은 의료 인공지능을 연구하고 계시는데 역시나 어떻게 의료 인공지능을 선택하게 되셨는지 질문 드렸다! 멘토님의 대답 중에서 '사람에게 도움이 되는 기술'이라고 말씀..

🌟 개별학습 [8] 베이즈 통계학 맛보기 1. 조건부 확률 1) P(A ∩ B) = P(B) P(A | B) + P(A | B) = P(A ∩ B) / P(B) + P(A | B) 는 사건 B가 일어날 상황에서 A가 발생할 확률 2) P(B | A) = P(A ∩ B) / P(A) = P(B) * P(A | B) / P(A) + A 가 주어졌을 때 P(B)로부터 P(B | A)를 계산하는 방법을 제공 3) P( θ | D ) = P( θ ) * P( D | θ ) / P( D ) P( θ | D ) : 사후확률(posterior). 새로 관찰하는 데이터인 D가 주어졌을 때의 확률 P( θ ) : 사전확률(prior) P( D | θ ) : 가능도(likehood). 데이터 D가 관찰될 확률 P( D ) ..

0. 문제 링크 https://school.programmers.co.kr/learn/courses/30/lessons/87391 프로그래머스 코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요. programmers.co.kr 1. 문제 설명 1) 주어진 queries에서 direction과 distance만큼 공을 움직여서 x, y에 도달하는지 확인 2. 입출력 # input n = 2 m = 2 x = 0 y = 0 queries = [[2,1],[0,1],[1,1],[0,1],[2,1]] # output result = 4 3. 코드 def solution(n, m, x, y, queries): a..