응엉이의 엉엉코딩일기

SELECT CASE WHEN (A WHEN 절을 적어주는 순서가 중요 ! 정삼각형은 이등변삼각형에 속하기 때문에 만약 이등변삼각..

https://www.hackerrank.com/challenges/earnings-of-employees/problem?h_r=internal-search Top Earners | HackerRank Find the maximum amount of money earned by any employee, as well as the number of top earners (people who have earned this amount). www.hackerrank.com 가장 높은 연봉과 가장 높은 연봉을 받는 사람 수를 출력하는 문제 SELECT MAX(salary * months), COUNT(*) FROM employee WHERE salary * months = (SELECT MAX(salary * ..

https://www.hackerrank.com/challenges/weather-observation-station-15/problem?isFullScreen=true Weather Observation Station 15 | HackerRank Query the Western Longitude for the largest Northern Latitude under 137.2345, rounded to 4 decimal places. www.hackerrank.com 소숫점 처리 CEIL(숫자) -- 올림 FLOOR(숫자) -- 내림 ROUND(숫자, 자리수) -- 반올림 최대/최솟값 찾기 -> ORDER BY + LIMIT 조합 SELECT ROUND(long_w, 4) FROM station WHE..

https://www.hackerrank.com/challenges/more-than-75-marks/problem?isFullScreen=true Higher Than 75 Marks | HackerRank Query the names of students scoring higher than 75 Marks. Sort the output by the LAST three characters of each name. www.hackerrank.com SELECT name FROM students WHERE marks > 75 ORDER BY RIGHT(name, 3), id SQL 내 문자열 자르기 함수 LEFT(col_name or str, 길이) RIGHT(col_name or str, 길이) SUBS..

https://www.hackerrank.com/challenges/weather-observation-station-12/problem?isFullScreen=true Weather Observation Station 12 | HackerRank Query an alphabetically ordered list of CITY names not starting and ending with vowels. www.hackerrank.com SELECT DISTINCT city FROM station WHERE city NOT LIKE 'a%' AND city NOT LIKE 'e%' AND city NOT LIKE 'i%' AND city NOT LIKE 'o%' AND city NOT LIKE 'u%' A..

Weather Observation Station 6 | HackerRank Query a list of CITY names beginning with vowels (a, e, i, o, u). www.hackerrank.com SELECT DISTINCT city FROM station WHERE city LIKE 'a%' OR city LIKE 'e%' OR city LIKE 'i%' OR city LIKE 'o%' OR city LIKE 'u%' WHERE : 조건문 LIKE : 데이터에서 패턴 찾기 OR : 여러개의 조건 연결

# Virtual Machine(VM) 어플리케이션 설계시 특정 ISA(명령어) + OS에 맞추어 설계 ex) 매킨토시 앱 : PowerPC + MacOS ex) 리눅스 앱 : x86 + Linux 어플리케이션 돌리는데 있어 한계점이 됨 -> 가상머신 통해 ISA와 OS가 맞지 않아도 어플리케이션 돌아가게 만들어줌 사용하는 이유 하나의 물리적 자원으로 여러 시스템을 돌릴 수 있음 - 하나의 컴퓨터 자원을 여러 사용자에게 나누어주는 상황에서 상호간섭을 없애고 싶을 때 (ex. 클라우드) - 컴퓨터의 다른 부분에 영향을 주지 않는 독립 환경이 필요할 때 (ex. 악성 코드 분석) 구분 VM 시스템 가상머신 type1 type2 프로세스 가상머신 1. 시스템 가상 머신 하나의 HW(CPU, memory)에 다..

https://m.blog.naver.com/PostView.naver?isHttpsRedirect=true&blogId=lego7407&logNo=221681014509 SGD + 관성을 더해준 방식 parameter 값을 조정할 때 전체 data가 아닌 랜덤으로 선택한 1개의 data에 대해서만 계산하는 방법인 SGD 최솟값까지 지그재그로 이동해서 비효율적 -> momentum 이용해 보충 (관성을 더해줌) SGD에서 계산된 접선의 기울기에 한 step 전의 접선의 기울기값을 일정 비율만큼 반영 local minimum에서 탈출하는 효과를 얻을 수 있음

https://m.blog.naver.com/PostView.nhn?isHttpsRedirect=true&blogId=laonple&logNo=220507299181 weight나 bias 값을 아주 작게 변화시키면(=편미분시키면) output의 변화 역시 매우 작은 변화가 생김 = 작은 변화의 관점에서는 선형적인 관계가 있음 output에서 생긴 오차를 반대로 input 쪽으로 전파시키면서 w와 b 등을 갱신하면 됨 cost function은 결국 w와 b로 이루어진 함수기 때문에 output에서 input 방향으로 cost function에 대한 편미분을 구하고 얻은 값을 이용해 w와 b의 값을 갱신 모든 train data에 대해 이 작업을 수행하다보면 훈련 데이터에 최적화된 w와 b 값을 얻을 수..

1. Representation Learning 최종적으로 수행하려는 작업을 잘 하기 위해서 model이 입력 data의 특징을 잘 표현헐 수 있도록 훈련하는 것 image(입력 data)의 특징을 추출 2. Self-supervised Learning (SSL) 레이블이 없는 data를 활용하여 model이 좋은 representation을 추출할 수 있도록 학습하는 방법론 step1. self-supervised 방식으로 model을 사전 학습 사전학습 방식에 따라 pretext task / contrastive learning 으로 분류 step2. 사전학습된 model의 downstream task로 전이 학습 진행 representation을 잘 배워서 downtstream task 에 잘 써먹..