전체 글 (23) 썸네일형 리스트형 UCPC 2026 본선 후기 당연히 본선에 나갔다.대회 전 토요일 날 인턴을 수행하던 현풍에서 대전으로 겨우겨우 올라간 뒤 기숙사에서 잤다. 경북대 교환학생 갔을 시절엔 937번 타면 10분 만에 동대구역에 갔는데 여기는 같은 대구광역시에 급행8번 한 시간 겨우 타야 '편성이 적은' 서대구역에 도착할 수 있으니 어렵다. 대전역에 도착한 후엔 유성온천이 궁금해서 하러 갈려 했다가 시간이 안되서 접고 버거킹을 먹은 뒤 특구1을 타고 KAIST 기숙사에 도착했다. 꽤 신식 건물인 비슬빌리지 & 경북대의 누리관과 비교하니 구식 느낌이 좀 많이 났고 거의 럭키진리관? 첫 번째는 공용샤워실 & 공용화장실이고 두 번째는 도어락이 고장나서 문이 안잠긴다는 거였다. 그래도 에어컨은 빵빵하게 틀 수 있어서 며칠동안 자기엔 좋은 곳이었다. 중간에 동.. UCPC 2026 예선 후기 팀 구성사실 처음에 UCPC를 나갈 생각은 없었다. UCPC 2022, 2023에서 예선 탈락을 하고, 2024년과 2025년도엔 icpc는 나갔지만 그 외의 ps에 관심이 없어져서 25년 9월 쯤에 Atcoder 민트를 찍긴 했어도 UCPC는 안 나갈 것 같았다. PNUPC 출제도 접었기에 ps를 거의 접은 샘이었다. 하지만 3월 쯤에 군대 갔다온 icpc 2023 팀원 $($고등학교 동기인데 내가 1년 재수해서 내 학번이 늦다$)$쪽에서 연락이 와서 icpc 2023 트리오 그대로 icpc 2026 서울 리저널까지 출전하게 됐다. 팀 연습은... 3월 이후에 월요일 저녁에 한 번씩 만나서 ABC를 좀 친 게 팀연습의 전부였다. 5~6월 쯤에는 나머지 팀원 두 명이 모두 SW마에스트로에 합격한 지라 .. ABC 414 후기 오랜만에 복귀했는데 의외로 잘 쳤다? 풀이 A.$X_i \leq X \text{ and } Y \leq Y_i$인 갯수 카운팅 B. 숫자 다 더해서 100 넘으면 Too Long, 아니면 그대로 출력 C. 좀만 생각하니 https://www.acmicpc.net/problem/30446 이 문제가 생각이 났다. 1~1000000까지 돌아서 회문수 만든 다음에 $A$에 대해서도 회문인지 확인하면 끝. 중간에 범위를 착각한 바람에 1~100000까지 돌아서 틀리길래 10분 간 뇌정지가 왔었다. D.간단한 그리디 문제. 정렬한 후 구간의 길이를 구한 뒤 가장 큰 $m$개의 구간 길이를 빼면 정답. E.$a = bx + c, 1 \leq a, b, c, \leq N$을 만족하는 $N$의 갯수를 구하는 문제이다... Lecture 11: Unsupervised Learning 오랜만에 쓴다...What is unsupervised learning? 비지도학습$($Unsupervised Learning$)$이란, 이때까지 어떤 데이터와 그 데이터에 대한 정답을 이용해 학습하는 방식과 다르게, 어떤 데이터에 대한 정답 없이 데이터의 특성을 학습하는 과정이다. 대표적으로 k-means $($EM algorithm의 일반화$)$ 등등이 있다. 이때 k-means란, 센트로이드들를 초기화한 뒤, 클러스터링을 해서 센트로이드들이 바뀌지 않을 때까지 다시 센트로이드들을 찾는 과정을 반복해서 적절한 센트로이드를 찾는 알고리즘이다. Does k-mean algorithm Terminate? 그런데, k-means 알고리즘은 항상 수렴할까? k-means 알고리즘의 비용함수는 $\mu^{c^{.. [단단한 강화학습] 1장 - 강화학습이란 강화학습이란? 주어진 상황에서 어떠한 행동을 취할지 학습하는 것. 행동의 결과는 최대한의 이득을 가져와야 하며, 그 이득의 함수는 수치적 표현이 가능해야 한다. 학습자는 어떤 행동을 취할지에 대한 어떠한 지침 없이 시행착오를 통해서 찾아내야 한다. 강화학습은 정답이 미리 존재하는 지도 학습이나 정답 없이 데이터에서 패턴을 읽어내야 하는 비지도학습과는 구별되는 제 3의 학습 방법이다. 강화학습의 구성 요소 정책: 특정 시점에서 학습자가 취하는 행동.보상 신호: 강화학습이 성취해야 할 목표를 정의함. 무엇이 좋은가를 즉각적으로 안내함.가치 함수: 장기적인 관점에서 평가한 지표.환경 모델: 현재 상태와 취해지는 행동으로부터 다음 상태와 보상을 예측.모델과 계획을 사용해서 강화학습 문제를 해결 $\righta.. Lecture 10 - Feature/Model Selection 모델의 복잡도$($Complexity measures$)$ 모델은 복잡도는 다음 두 요소와 관련되어 있다. 파라미터의 수파라미터의 노름Regularization 머신러닝에서 규제는 학습 과정에서 우리가 가진 training 데이터셋에 대한 overfitting 정도를 줄이고, 일반화 성능을 높이기 위한 도구이다. 학습 과정에서 규제는 $J(\theta) + \lambda R(\theta)$에서 $\lambda R(\theta)$ 항이다. 여기서 $\lambda$는 규제 $R$의 중요도를 조절하는 하이퍼파라미터이다. 규제로 사용되는 함수는 여러 가지가 있으나, 대표적으로 두 개를 따지자면 L1/L2 regularization이다. L1 regularization은 Lasso라고도 하며, $R(\theta).. Lecture 9: Generalization & Regulazation training loss/error/cost 우리는 training을 할 때 손실 함수 J를 MSE$($Mean Squared Error$)$를 이용해서 $J(\theta) = \frac{1}{n}\sum_{i=1}^{n} (y^{(i)} - h_{\theta}(x_i))^2$로 정의한다. 우리는 gradient descent를 통해서 J를 줄여야 하나, 문제는 J가 줄어든다고 해서 항상 모델의 정확성이 높다는 것은 아니란 것이다. 그래서 우리는 training 말고 test를 할 때 모델의 정확성 평가를 위해 test에서도 독립적인 test 데이터셋 $D$를 이용해 손실 함수 $L$을 다음과 같이 정의한다. $L(\theta) = E_{(x, y) \sim D}[(y - h_{\theta}(x))^2].. Chapter 5: 교대로 두는 게임에서 탐색 알고리즘 - 1 아래의 내용은 "게임 AI를 위한 탐색 알고리즘 입문"의 내용을 나름대로 정리한 것이다. 내가 짠 코드는 다음과 같으며, 책의 코드와 다를 수 있다.https://github.com/radicalparty/ai_search/tree/main/5이번에 알고리즘을 소개하기 위한 게임은 다음과 같다. 설명플레이어 목적게임이 종료될 때까지 높은 기록 점수를 얻음플레이어 수2인플레이어의 행동 타이밍대결 상대와 교대로 행동플레이어가 가능한 행동상하좌우 네 방향(가만히 있는 건 불가능)게임 종료 조건정해진 턴 수를 넘김기타캐릭터는 게임판 중심칸을 끼고 가로 방향으로 좌우 대칭이 되도록 배치. 캐릭터가 이동한 위치에 점수가 있다면 자기 점수에 더하고 위치의 점수를 0으로 만든다. 미로 구현 AlternateMazeS.. 이전 1 2 3 다음
