끄적거림

문제 문제를 요약하자면, path로 주어지는 문자열이 있는데, U = Up-hill(+1), D = Down-hill(-1)이다. 해수면(0)을 기준으로 양수면 산, 음수면 계곡이다. 이때 계곡의 갯수를 반환하면 된다. 코드 # import numpy as np import collections as co """ - steps : 총 걸음 수 - path : 걸음의 자취 문자열 """ def countingValleys(steps, path): pl = list(path) res = 0 stus = 0 cumsum = co.deque([]) for i in range(steps): hike = pl[i] if hike == 'U': # up-hill stus += 1 else: # down-hill st..

문제 요약하면, 양말색(숫자 리스트)별로 양말 리스트가 주어졌을 때, 색이 짝을 이루는 양말의 갯수를 반환하는 문제이다. 코드 # import numpy as np import collections as co """ - n : 주어지는 양말의 갯수 - ar : 실제 양말의 색상과 양말들 """ # method 1 : deque def sockMerchant(n, ar): dq = co.deque([]) ndq = 0 res = 0 append_flag = False for i in range(n): if ndq == 0: # deque init dq.append(ar[i]) ndq += 1 print(dq) else: for j in range(ndq): if dq[j] == ar[i]: # 양말 짝을 ..

참고 : https://seongonion.tistory.com/108 # import numpy as np # import collections as co def getWays(n, c): # rc = [i for i in c if i

보호되어 있는 글입니다.

[논문 소개] Stochastic gradient Markov chain Monte Carlo [논문 리뷰] Stochastic gradient Markov chain Monte Carlo - 1.Introduction 이번 시간에는 본격적인 이론에 관련된 내용을 다뤄보겠다. 그러기 위해서는 미리 알아야하는 개념들이 있는데 논문 순서대로 짚어보고 넘어가자. 2. Langevin-based Stochastic Gradient MCMC 이번 절에서는 SG-MCMC의 기초로서 Langevin diffusion과 discrete-time approximation를 소개한다. 또한 posterior approximation에 대한 이론적 오류 한계와 Gaussian에서 Stochastic gradient Lang..

최근 관심을 갖는 cold posterior를 정확하게 이해하기 위해서는 SG-MCMC에 대한 선이해가 되어야한다. 기존에 cold posterior 관련 포스팅들을 작성하면서 SG-MCMC에 관련된 내용이 많이 나왔었을 뿐 아니라, official google research github에서도 SG-MCMC에 대한 코드를 제공하고 있다. 논문 페이지가 꽤 많지만 중요하다고 생각되는 부분만 해석해서 작성해보고자 한다. 기존에 이전 포스팅에서 abstract을 했으니, 그 이후 내용부터 다루도록 하겠다. 1. Introduction 1.1 bayesian approach를 이용한 modelling을 할 때, bayesian posterior distribution은 두 가지 의미를 갖는다. 첫 번째는 모델..