日日 Deep 每日 Learning

1. 문제설명 n명의 권투선수가 권투 대회에 참여했고 각각 1번부터 n번까지 번호를 받았습니다. 권투 경기는 1대1 방식으로 진행이 되고, 만약 A 선수가 B 선수보다 실력이 좋다면 A 선수는 B 선수를 항상 이깁니다. 심판은 주어진 경기 결과를 가지고 선수들의 순위를 매기려 합니다. 하지만 몇몇 경기 결과를 분실하여 정확하게 순위를 매길 수 없습니다. 선수의 수 n, 경기 결과를 담은 2차원 배열 results가 매개변수로 주어질 때 정확하게 순위를 매길 수 있는 선수의 수를 return 하도록 solution 함수를 작성해주세요. 2. 제한사항 선수의 수는 1명 이상 100명 이하입니다. 경기 결과는 1개 이상 4,500개 이하입니다. results 배열 각 행 [A, B]는 A 선수가 B 선수를 이..

1. 문제설명 n개의 노드가 있는 그래프가 있습니다. 각 노드는 1부터 n까지 번호가 적혀있습니다. 1번 노드에서 가장 멀리 떨어진 노드의 갯수를 구하려고 합니다. 가장 멀리 떨어진 노드란 최단경로로 이동했을 때 간선의 개수가 가장 많은 노드들을 의미합니다. 노드의 개수 n, 간선에 대한 정보가 담긴 2차원 배열 vertex가 매개변수로 주어질 때, 1번 노드로부터 가장 멀리 떨어진 노드가 몇 개인지를 return 하도록 solution 함수를 작성해주세요. 2. 제한사항 노드의 개수 n은 2 이상 20,000 이하입니다. 간선은 양방향이며 총 1개 이상 50,000개 이하의 간선이 있습니다. vertex 배열 각 행 [a, b]는 a번 노드와 b번 노드 사이에 간선이 있다는 의미입니다. 3. 입출력 예..

1. 오늘 한 일 - 논문리뷰 : Item-based collaborative filtering recommendation algorithms - NBCF, IBCF 복습 2. 과제 및 정리 - 논문 리뷰 https://kkuneeee.tistory.com/58 [논문] Item-based collaborative filtering recommendation algorithms Recommender System Collaborative Filtering NBCF : Neighborhood-Based Collaborative Filtering UBCF : User-Based Collaborative Filtering IBCF : Item-Based Collaborative Filtering 1. Colla..

Recommender System 개요 사용 이유 문제 정의 평가 지표 Offline Test Online Test Simple Aggregate Popularity Rating 연관분석 : Association Analysis / Association Rule Mining 컨텐츠 기반 필터링 : Content-based Filtering / Content-based Recommendation TF-IDF : Term Frequency - Inverse Document Frequency 협업 필터링 : Collaborative Filtering NBCF : Neighborhood-Based Collaborative Filtering - Memory-Based CF UBCF : User-Based Coll..

Recommender System Collaborative Filtering NBCF : Neighborhood-Based Collaborative Filtering UBCF : User-Based Collaborative Filtering IBCF : Item-Based Collaborative Filtering 1. Collaborative Filtering : Overview 특징 user-item에 대한 선호도(rating)에 대한 database를 사용 특정한 user A와 가장 유사한 성향을 가진 다른 user B에게 A가 선호하는 item을 추천하는 방식 최종목적 : 특정한 user가 특정한 item에 대해 가질 선호도(rating)을 예측 예시) user A와 B가 선호도가 유사함을 보일때..

1. 오늘 한 일 - Git 특강 3 * 어제 한 일 - RecSys 9, 10강 - Git 특강 2 복습 2. 과제 및 정리 - 한눈에 보기 정리 https://kkuneeee.tistory.com/59 [RecSys] 한 눈에 보기 정리 - 1 Recommender System 개요 사용 이유 문제 정의 평가 지표 Offline Test Online Test Simple Aggregate Popularity Rating 연관분석 : Association Analysis / Association Rule Mining 컨텐츠 기반 필터링 : Cont.. kkuneeee.tistory.com 3. 회고 매주 마스터클래스와 멘토링 등 현업에 계신 분들의 말씀을 들은 것을 정리해보면 다음과 같다. 모델링 역량..

1. 오늘 한 일 - 코테 1 2 3 * 어제 한 일 - RecSys 7, 8강 - 기본과제 3 2. 회고 Git 특강을 졸았더니 엄청 놓쳐버렸다. 나중에 올라오는 VOD로 따로 공부해야겠다. 뭔가 오늘은 그동안 공부한 것들이 머릿속에서 떠오르지 않았다. 어제까지만 해도 남아있던 것들이 이렇게 하나도 남김없이 떠오르지 않는 것은 이상하지만, 하나도 제대로 떠오르지 않았다. 생각을 오래해야하는 심화과제는 내일하도록 해야겠다. 점점 부스트코스 상에서 주어진 과제는 줄어들고 있다. 개인적으로 공부할 수 있는 시간이 늘어난 것은 좋지만 무엇을 더 할지 약간 막막하다. 따로 해야할 것들 1. 코딩테스트 문제 2. RecSys 딥러닝 베이스 모델들 3. 코드 정리 + 모델 아이디어별로 정리 + 도메인 공부 + 프로..

1. 오늘 한 일 - 심화과제 1 - 실습 1, 2 - 복습 2. 과제 및 정리 - 실습 내용 정리 및 복습 https://kkuneeee.tistory.com/53 [RecSys] Basic - 3 인기도 기반 추천 / 평가지표 - MovieLens 데이터셋 가공 - 가공한 데이터 활용 -> 인기도 기반 추천 - 평가지표 1. 전처리 MovieLens 100k Dataset - 원천데이터 https://grouplens.org/datasets/movielens/ Movi.. kkuneeee.tistory.com https://kkuneeee.tistory.com/54 [RecSys] kNN Collaborative Filtering : scikit-surprise 라이브러리 / MovieLens Dat..

!pip install scikit-surprise scikit-surprise 패키지는 Collaborative Filtering 관련 머신러닝 라이브러리이다. kNN 뿐만 아니라 MF 등의 알고리즘도 제공하지만 여기서는 kNN 알고리즘만 사용했다. - Reader, Dataset from surprise import Reader, Dataset reader = Reader(rating_scale=(0.5, 5.0)) data = Dataset.load_from_df(ratings_df[['userId', 'movieId', 'rating']], reader) - train_test_split from surprise.model_selection import train_test_split # train..

인기도 기반 추천 / 평가지표 - MovieLens 데이터셋 가공 - 가공한 데이터 활용 -> 인기도 기반 추천 - 평가지표 1. 전처리 MovieLens 100k Dataset - 원천데이터 https://grouplens.org/datasets/movielens/ MovieLens GroupLens Research has collected and made available rating data sets from the MovieLens web site ( The data sets were collected over various periods of time, depending on the size of the set. … grouplens.org 데이터 구성 영화에 대한 제목, 장르, 연도 등의 데이..