※찾으실게 있으시다면 Ctrl + F 활용하시면 편합니다 ! ● max()/min()문자 그대로 최댓값 / 최솟값을 찾아주는 메소드이다.max([1,2,3]) #3min([1,2,3]) #1max(27, 10) #27min(27, 10) #10● sorted()iterable에 대해서 정렬하는 메소드이다. 반환 결과는 무조건 리스트로 반환되며, 파라미터를 통해 정렬 방식을 정할 수 있다. ◎ reverse : True면 내림차순, False면 오름차순(기본은 False)◎ key : 정렬되는 기준, (ex. 딕셔너리에서 값을 기준으로 정렬하고 싶을 때) - key 예시arr = ["banana", "apple", "kiwi"]# 길이 기준 정렬sorted(arr, key=len)# ['kiwi', 'a..

문제 풀이완전 탐색 알고리즘을 구상해야겠다고 생각이 들어서, 이중 for문을 사용해 해결했다. break를 활용해 피로도가 부족하면 바로 도는걸 중지하도록 하여 시간을 조금 줄여봤다.from itertools import permutationsdef solution(k, dungeons): #0 ~ 던전의 개수 - 1까지 모든 값을 가지는 순열 모두 반환 orders = list(permutations(range(len(dungeons)))) max_dungeon_cnt = 0 #모든 던전 가는 경우의 수 순회 for order in orders : my_tired = k current_dungeon_cnt = 0 ..

문제 풀이 #1(이중 반복문 - O(n^2))def solution(prices): res = [] last_index = len(prices) - 1 #첫 인덱스부터 반복하며 비교 for i in range(len(prices)) : #마지막 인덱스일 경우, 0 추가 if i == last_index : res.append(0) break #현재 비교하는 인덱스부터 끝까지 비교 for j in range(i + 1, len(prices)) : if prices[i] > prices[j] : res.append(j - i) ..

문제 풀이 #1import mathdef solution(progresses, speeds): stack = [] #기술 배포 대기 스택 res = [] for i in range(len(progresses)) : # days : 기능 개발까지 걸리는 일수 # 나눗셈의 결과가 ex. 7.3일 이렇게 나오면 8일이 걸리므로 math.ceil 사용 days = math.ceil((100 - progresses[i]) / speeds[i]) #배포 대기중인 max일수가 현재 비교하고 있는 기능의 개발 days보다 작으면 if stack and max(stack) 현재 비교중인 days stack에 추가 re..

시작 ~ 데이터셋 생성 : https://uj07096.tistory.com/52 [My IT] 객체 인식 : 강아지/고양이 Detection(Faster R-CNN, SSD, YOLO)(1) (목표 ~ 데이터셋 생성)목표 : SSD모델을 활용하여 강아지와 고양이의 얼굴을 감지하는 Detection 작업 수행활용 데이터셋 : Kaggle의 The Oxford-IIIT Pet Dataset The Oxford-IIIT Pet DatasetDataset of 37 categories of dogs and catswww.kaggle.com 사용uj07096.tistory.com 3. 모델 학습 / 예측 0) 모델 비교최대한 비슷한 조건에서 예측하기 위해서 파라미터 수가 비슷한 모델들을 불러왔다.사용할 모델 ..

목표 : SSD모델을 활용하여 강아지와 고양이의 얼굴을 감지하는 Detection 작업 수행활용 데이터셋 : Kaggle의 The Oxford-IIIT Pet Dataset The Oxford-IIIT Pet DatasetDataset of 37 categories of dogs and catswww.kaggle.com 사용할 모델 리스트 : Faster R-CNN, SSD, YOLO위의 학습된 모델들을 불러와 데이터셋에 Full Fine-Tuning 하여 예측에 활용하기로 했다. ※모델별 특징 파이프라인 : 1. 데이터 EDA2. 데이터셋 생성3. 모델 학습/예측4. 모델 성능지표 비교 1. 데이터 EDA- pip/import!pip install xmltodict!pip install ultr..