https://mediawiki.zeropage.org/api.php?action=feedcontributions&feedformat=atom&user=14.32.111.6 2026-05-14T13:06:21Z User contributions MediaWiki 1.39.8 https://mediawiki.zeropage.org/index.php?title=%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D%EC%8A%A4%ED%84%B0%EB%94%94/2017&diff=50394 2017-07-25T15:16:02Z

<p>14.32.111.6: </p> <hr /> <div>&amp;#91;&amp;#91;pagelist(^(머신러닝스터디/2017/))&amp;#93;&amp;#93;<br /> <br /> * CNN, Artistic style<br /> * Reinforcement learning, game play<br /> <br /> === Reinforcement Learning ===<br /> https://en.wikipedia.org/wiki/Bellman_equation<br /> Planning vs Learning<br /> Planning<br /> * Know about Model<br /> * Dynamic Programming<br /> Learning<br /> * Model free<br /> * Monte Carlo method, Temporal Difference learning<br /> ==== Monte-Carlo Reinforcement Learning ====<br /> <br /> * 직접적인 경험으로부터 배움<br /> * Model-free : 직접적인 MDP transition과 보상을 알 필요가 없다<br /> * 끝난 에피소드로부터 학습한다.<br /> * episodic MDP 문제만 풀 수 있다.<br /> <br /> <br /> ==== Temporal-Difference Learning ====<br /> <br /> * 경험으로부터 학습한다<br /> * model-free<br /> * 끌나지 않은 경험에서도 학습 가능하다(Bootstraping)<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49166 2017-07-16T14:23:22Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> 머신 러닝의 세가지 분류<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 feature(입력값)와 label(원하는 결과값)을 함께 전달<br /> * Learning from difference between prediction and label<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: feature만 입력, 보통 projection등으로 feature의 차원을 축소시킨다.<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> ** Model free: 게임의 규칙을 알려주지 않음<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 실습코드: [https://github.com/Rabierre/cartpole github]<br /> * DeepMind의 DQN 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning]. 한글로 되어 있다!<br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 후기 및 기타의견 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49165 2017-07-03T16:17:33Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> 머신 러닝의 세가지 분류<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 feature(입력값)와 label(원하는 결과값)을 함께 전달<br /> * Learning from difference between prediction and label<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: feature만 입력, 보통 projection등으로 feature의 차원을 축소시킨다.<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> ** Model free: 게임의 규칙을 알려주지 않음<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 실습코드: [https://github.com/Rabierre/cartpole github]<br /> * DeepMind의 DQN 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning]. 한글로 되어 있다!<br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 후기 및 기타의견 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49164 2017-07-03T16:15:58Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> 머신 러닝의 세가지 분류<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 feature(입력값)와 label(원하는 결과값)을 함께 전달<br /> * Learning from difference between prediction and label<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: feature만 입력, 보통 projection등으로 feature의 차원을 축소시킨다.<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 실습코드: [https://github.com/Rabierre/cartpole github]<br /> * DeepMind의 DQN 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning]. 한글로 되어 있다!<br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 후기 및 기타의견 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49163 2017-07-03T16:14:48Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> 머신 러닝의 세가지 분류<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 feature(입력값)와 label(원하는 결과값)을 함께 전달<br /> * Learning from difference between prediction and label<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 실습코드: [https://github.com/Rabierre/cartpole github]<br /> * DeepMind의 DQN 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning]. 한글로 되어 있다!<br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 후기 및 기타의견 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49162 2017-07-03T16:14:02Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> 머신 러닝의 세가지 분류<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 value와 label을 함께 전달<br /> * Learning from difference between prediction and target<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 실습코드: [https://github.com/Rabierre/cartpole github]<br /> * DeepMind의 DQN 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning]. 한글로 되어 있다!<br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 후기 및 기타의견 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49161 2017-07-01T16:40:17Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 value와 label을 함께 전달<br /> * Learning from difference between prediction and target<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 실습코드: [https://github.com/Rabierre/cartpole github]<br /> * DeepMind의 DQN 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning]. 한글로 되어 있다!<br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 후기 및 기타의견 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/InternalOfJavaScriptCore%27sGarbageCollector&diff=49079 2017-07-01T16:40:01Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == Contents ==<br /> * GC 의 개요<br /> * JSC(WebKit) 의 GC 구현<br /> * 메모리 누수 사례<br /> <br /> == Garbage Collector ==<br /> * 메모리 관리를 런타임에 자동으로 해주는 시스템<br /> * 최초의 구현은 1958 년도 LISP<br /> <br /> == GC vs Manual ==<br /> * 프로그래머의 생산성<br /> * 프로그램의 효율성<br /> *** 메모리 관리자의 처리량 + 정지 시간<br /> *** 공간 오버헤드<br /> <br /> =&gt; 연구 결과를 통해서 성능차이가 없는 것을 증명했다. (단, 메모리를 5배 정도 더 줄 때)<br /> =&gt; 보통의 경우 17%의 오버헤드가 있다.<br /> =&gt; Manual 하게 할 때도 오버헤드는 있다.<br /> <br /> == Definitions ==<br /> * Heap <br /> 프로그램 사용 영역<br /> * Roots<br /> javascript 로 따지면 windows 같은 것, 절대로 해제가 안될 것, global하게 노출되어 있는 것<br /> * Collector<br /> * Mutators<br /> <br /> == Object Liveness ==<br /> * Dead : 안쓰고 있는 메모리<br /> * Live : 사용하고 있는 메모리 <br /> ** True liveness =&gt; 실제로 판별하기 굉장히 어려움<br /> ** Pointer reachability =&gt; 대부분의 경우 이 방식<br /> <br /> == Mark-Sweep GC ==<br /> * 간접적인 GC 알고리즘<br /> * Dead 오브젝트가 아닌 Live 오브젝트들을 모두 추적<br /> * 나머지 Garbage 로 결정<br /> * JSC 에서도 이 알고리즘을 사용<br /> <br /> * 메모리를 많이 쓸 수록 느려짐 =&gt; 메모리를 적게 쓰는 경우일수록 효율적<br /> javascript도 이 방식을 사용한다.<br /> <br /> === Mark 단계 ===<br /> * root 에서 도달 가능한 것을 Mark<br /> <br /> === Sweep 단계 ===<br /> * Mark 단계에서 체크되지 않은 것들은 도달할수 없기 때문에 삭제<br /> <br /> === Lazy Sweep ===<br /> * 한번 Dead 오브젝트가 되면 영원히 Dead<br /> * mutator 들은 mark-bit에 접근할 수 없다<br /> * '''Sweep 오퍼레이션은 병렬로 실행해도 괜찮다'''<br /> * 보다 간단한 해결책으로 allocate 함수에서 sweep 수행<br /> <br /> === Generation GC ===<br /> * 약한 세대 가설 =&gt; 75~95% 객체가 10KB 이내에 죽는다.<br /> <br /> === Mark-Sweep GC 특징 ===<br /> * 뮤테이터 오버헤드가 작다<br /> * 공간 오버헤드가 참조 카운팅보다 적다<br /> * lazy sweep 과 조화시키면 전체 처리량도 좋은 편<br /> * 힙에 충분한 여유공간을 필요로 한다<br /> <br /> == JSC 의 가비지 컬렉터 구현 ==<br /> * 발표 ppt 참조<br /> <br /> === Eden collection ===<br /> * JSC 에서는 힙 공간을 물리적으로 나누지 않는다<br /> * 그냥 root 셋에서부터 도달 가능한 객체들만 marking 하고 종료<br /> * Sweep 은 allocation 시점에 lazy-sweep<br /> * marking 된 객체를 Old gen 으로 간주<br /> <br /> === Full collection ===<br /> * Eden collection 수행 후 잔여 힙 크기가 30% 미만일 경우 다음 GC를 full collection 으로 예약<br /> * 페이지가 변경될 때 WebCore 에서 Full collection 을 요청<br /> * marking 전에, 모든 블록의 mark bitmap 을 초기화<br /> * 이후 동작은 eden collection 과 유사<br /> <br /> === JSC GC 세줄 요약 ===<br /> # MarkedSpace::clearMarks() <br /> # JSC::visitChildren()<br /> # sweep()<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49160 2017-07-01T15:48:55Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 value와 label을 함께 전달<br /> * Learning from difference between prediction and target<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 실습코드: [https://github.com/Rabierre/cartpole github]<br /> * DeepMind의 DQN 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning]. 한글로 되어 있다!<br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 하고싶은 말 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49159 2017-07-01T15:48:15Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 value와 label을 함께 전달<br /> * Learning from difference between prediction and target<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 실습코드: [https://github.com/Rabierre/cartpole github]<br /> * DeepMind의 DQN 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning] <br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 하고싶은 말 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49158 2017-07-01T15:47:14Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 value와 label을 함께 전달<br /> * Learning from difference between prediction and target<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # 일단 cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 코드: [https://github.com/Rabierre/cartpole github]<br /> * 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning] <br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 하고싶은 말 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49157 2017-07-01T15:46:56Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 value와 label을 함께 전달<br /> * Learning from difference between prediction and target<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> === 순서 ===<br /> # cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 코드: [https://github.com/Rabierre/cartpole github]<br /> * 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning] <br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 하고싶은 말 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49156 2017-07-01T15:46:41Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 value와 label을 함께 전달<br /> * Learning from difference between prediction and target<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> <br /> # cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 코드: [https://github.com/Rabierre/cartpole github]<br /> * 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning] <br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 하고싶은 말 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EB%8D%B0%EB%B8%94%EC%8A%A4%EC%BA%A0%ED%94%842017/%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5%EC%9C%BC%EB%A1%9C%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EA%B2%8C%EA%B3%A0%EC%A0%84%EA%B2%8C%EC%9E%84%ED%94%8C%EB%A0%88%EC%9D%B4%EC%8B%9C%ED%82%A4%EA%B8%B0&diff=49155 2017-07-01T15:44:58Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> = machine learning =<br /> # Supervised learning<br /> # Unsupervised learning<br /> # Reinforcement learning<br /> == supervised learning ==<br /> * 학습을 시킬 때 input으로 value와 label을 함께 전달<br /> * Learning from difference between prediction and target<br /> * e.g. mnist, classification<br /> == unsupervised learning ==<br /> * input: value만 입력, projection등으로 전처리한 값들로 계산<br /> * Cluster by distance between inputs<br /> * Human can't predict the outcome<br /> * e.g. clustering<br /> == reinforcement learning ==<br /> * 일종의 unsupervised learning<br /> * input : environment, reward, output : action<br /> * Learn from try<br /> * Model free<br /> * e.g. game play, stock trading<br /> == reinforcement learning ==<br /> * Q learning<br /> * Q learning + Neural Network<br /> * DQN : Deep Q Learning<br /> ** hidden layer를 늘리는게 다가 아니다!<br /> == Basic knowledge ==<br /> * MDP : Markov Decision Process<br /> * Bellman equation<br /> * Dynamic programming<br /> * Value, Polish<br /> * Value function, Polish function<br /> * Value iteration, Polish iteration<br /> <br /> == 실습 ==<br /> * [https://gym.openai.com gym]: Reinforcement learning을 위한 고전 게임들을 python으로 포팅한 toolkit. 직접 구현한 것도 있고 atari는 포팅함. [https://github.com/openai/gym in github]에 코드가 공개되어 있다.<br /> ** 오늘 실습할 [https://gym.openai.com/envs/CartPole-v0 cartpole]<br /> * 필요한 라이브러리: numpy, gym, tensorflow 필요<br /> $ pip install gym<br /> $ pip install tensorflow <br /> # cartpole 실행을 해보자! - [https://github.com/Rabierre/cartpole/blob/master/cartpole_init.py cartpole_init.py]<br /> # random action(왼쪽, 오른쪽)을 하는 cartpole - [https://github.com/Rabierre/cartpole/blob/master/cartpole_random.py cartpole_random.py]<br /> # q-network(q-learning의 NN버전) - [https://github.com/Rabierre/cartpole/blob/master/cartpole_qnetwork.py cartpole_qnetwork.py] <br /> # DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn.py cartpole_dqn.py]<br /> # 2015에 Deep Mind에서 발표한 DQN - [https://github.com/Rabierre/cartpole/blob/master/cartpole_dqn2015.py cartpole_dqn2015.py]<br /> == Reference ==<br /> * 발표 슬라이드: [https://slides.com/rabierre/playing_a_game_with_rl slide]<br /> * 코드: [https://github.com/Rabierre/cartpole github]<br /> * 논문: [https://arxiv.org/abs/1312.5602 Playing Atari with Deep Reinforcement Learning]<br /> * Tensorflow tutorial: [https://github.com/golbin/TensorFlow-Tutorials/tree/master/10%20-%20DQN DQN]<br /> == Furthermore ==<br /> * [https://en.wikipedia.org/wiki/David_Silver_(programmer) David Silver]의 강의 <br /> ** [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html 강의노트]<br /> ** [https://www.youtube.com/watch?v=2pWv7GOvuf0 강의 영상]<br /> * Gitbook: [https://www.gitbook.com/book/dnddnjs/rl/details Fundamental of Reinforcement Learning] <br /> * 레퍼런스 모음: [[Machine%20Learning]]<br /> == 하고싶은 말 ==<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/CLRS&diff=27920 2017-04-25T15:27:09Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == 개요 ==<br /> * `Introduction to Algorithms` 책으로 행아웃 온라인 스터디를 합니다.<br /> * 기본적으로 매주 토요일 오전 11시, 혹은 일요일 오전 11시<br /> * 참가자 : [[서지혜]], [[최다인]]<br /> <br /> * [[http://hothobbang.tistory.com/m/59|공부방법에 대한 좋은 글]]<br /> == 진행 상황 ==<br /> === 1주차 (2017/03/26 일) ===<br /> * 1장을 읽음<br /> * 22장 그래프로 바로 건너뜀. 22장 읽기<br /> * 그래프 기본 문제 풀어보기<br /> ** [[https://www.acmicpc.net/problem/7576|토마토]]<br /> ** [[https://www.acmicpc.net/problem/7579|토마토(난이도 UP)]]<br /> ** [[https://www.acmicpc.net/problem/2606|바이러스]]<br /> * 연습문제 하나씩 풀어와서 공유<br /> ** [[서지혜]] : 22.5-2<br /> ** [[최다인]] : 22.3-13<br /> === 2주차 (2017/04/02 일) ===<br /> * 22장을 읽음<br /> * Topological sort와 Strongly connected components의 pseudocode 설명이 부실하다...<br /> * 연습문제 3-13의 단일 연결에 대한 이야기<br /> * 23장 읽어오기<br /> * 최소 신장 트리 기본 문제 + 못 푼 문제 풀어오기<br /> ** [[https://www.acmicpc.net/problem/1922|네트워크 연결]]<br /> * 연습문제 풀고 싶은 것 하나씩 풀어와서 공유<br /> === 3주차 (2017/04/09 일) ===<br /> * 23장을 읽음<br /> === 4주차 (2017/04/15 토) ===<br /> * 24장 읽기로 했음<br /> ** 이번주 스터디 쉽니다<br /> * 다음주: 24장 각자 읽고, 25장 하기로 함.<br /> === 5주차 (2017/04/23 일) ===<br /> * 25장 읽음<br /> ** '''APSP(All Pairs of Shortest Path)''' 알고리즘 중 Matrix multiplication 알고리즘에 대해 이야기 함<br /> ** <br /> while m &amp;lt; n-1 {<br /> L^(2m) = L^(m)*L^(m)<br /> m = m*2<br /> }<br /> ** 이 때 m = n-1이고 n이 짝수이면 m은 홀수인데 어떻게 결과를 얻는가 혼란스러웠는데 m &lt; n-1동안 루프를 반복하는 것이고 마지막 L의 차수는 2^m이므로 항상 짝수임을 알게되었다.<br /> ** 구글링한 학습 자료([[http://math.mit.edu/~rothvoss/18.304.1PM/Presentations/2-Chandler-slideslect2.pdf|1]], [[https://resources.mpi-inf.mpg.de/departments/d1/teaching/ss12/AdvancedGraphAlgorithms/Slides14.pdf|2]])에는 위 알고리즘이 '''seidel's algorithm이라고''' 명명되어 있는데 해당 키워드로 검색이 되지 않았다. 알고보니 seidel은 수학자이고 seidel's algorithm은 정식 명칭이 아니라 [[https://en.wikipedia.org/wiki/Gauss%E2%80%93Seidel_method|Gauss Seidel method]]이 정식 명칭인 듯 하다.<br /> * 다음주: '''26.3장''' 까지 읽기, 문제 풀기<br /> ** [[https://www.acmicpc.net/problem/1014|컨닝]]<br /> ** [[https://www.acmicpc.net/problem/3640|제독]]<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/CLRS&diff=27919 2017-04-23T13:50:57Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == 개요 ==<br /> * `Introduction to Algorithms` 책으로 행아웃 온라인 스터디를 합니다.<br /> * 기본적으로 매주 토요일 오전 11시, 혹은 일요일 오전 11시<br /> * 참가자 : [[서지혜]], [[최다인]]<br /> <br /> * [[http://hothobbang.tistory.com/m/59|공부방법에 대한 좋은 글]]<br /> == 진행 상황 ==<br /> === 1주차 (2017/03/26 일) ===<br /> * 1장을 읽음<br /> * 22장 그래프로 바로 건너뜀. 22장 읽기<br /> * 그래프 기본 문제 풀어보기<br /> ** [[https://www.acmicpc.net/problem/7576|토마토]]<br /> ** [[https://www.acmicpc.net/problem/7579|토마토(난이도 UP)]]<br /> ** [[https://www.acmicpc.net/problem/2606|바이러스]]<br /> * 연습문제 하나씩 풀어와서 공유<br /> ** [[서지혜]] : 22.5-2<br /> ** [[최다인]] : 22.3-13<br /> === 2주차 (2017/04/02 일) ===<br /> * 22장을 읽음<br /> * Topological sort와 Strongly connected components의 pseudocode 설명이 부실하다...<br /> * 연습문제 3-13의 단일 연결에 대한 이야기<br /> * 23장 읽어오기<br /> * 최소 신장 트리 기본 문제 + 못 푼 문제 풀어오기<br /> ** [[https://www.acmicpc.net/problem/1922|네트워크 연결]]<br /> * 연습문제 풀고 싶은 것 하나씩 풀어와서 공유<br /> === 3주차 (2017/04/09 일) ===<br /> * 23장을 읽음<br /> === 4주차 (2017/04/15 토) ===<br /> * 24장 읽기로 했음<br /> ** 이번주 스터디 쉽니다<br /> * 다음주: 24장 각자 읽고, 25장 하기로 함.<br /> === 5주차 (2017/04/23 일) ===<br /> * 25장 읽음<br /> ** '''APSP(All Pairs of Shortest Path)''' 알고리즘 중 Matrix multiplication 알고리즘에 대해 이야기 함<br /> ** <br /> while m &amp;lt; n-1 {<br /> L^(2m) = L^(m)*L^(m)<br /> m = m*2<br /> }<br /> ** 이 때 m = n-1이고 n이 짝수이면 m은 홀수인데 어떻게 결과를 얻는가 혼란스러웠는데 m &lt; n-1동안 루프를 반복하는 것이고 마지막 L의 차수는 2^m이므로 항상 짝수임을 알게되었다.<br /> ** 구글링한 학습 자료에는 위 알고리즘이 '''seidel's algorithm이라고''' 명명되어 있는데 해당 키워드로 검색이 되지 않았다. 알고보니 seidel은 수학자이고 seidel's algorithm은 정식 명칭이 아니라 [[https://en.wikipedia.org/wiki/Gauss%E2%80%93Seidel_method|Gauss Seidel method]]이 정식 명칭인 듯 하다.<br /> * 다음주: '''26.3장''' 까지 읽기, 문제 풀기<br /> ** [[https://www.acmicpc.net/problem/1014|컨닝]]<br /> ** [[https://www.acmicpc.net/problem/3640|제독]]<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/CLRS&diff=27918 2017-04-23T13:50:16Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == 개요 ==<br /> * `Introduction to Algorithms` 책으로 행아웃 온라인 스터디를 합니다.<br /> * 기본적으로 매주 토요일 오전 11시, 혹은 일요일 오전 11시<br /> * 참가자 : [[서지혜]], [[최다인]]<br /> <br /> * [[http://hothobbang.tistory.com/m/59|공부방법에 대한 좋은 글]]<br /> == 진행 상황 ==<br /> === 1주차 (2017/03/26 일) ===<br /> * 1장을 읽음<br /> * 22장 그래프로 바로 건너뜀. 22장 읽기<br /> * 그래프 기본 문제 풀어보기<br /> ** [[https://www.acmicpc.net/problem/7576|토마토]]<br /> ** [[https://www.acmicpc.net/problem/7579|토마토(난이도 UP)]]<br /> ** [[https://www.acmicpc.net/problem/2606|바이러스]]<br /> * 연습문제 하나씩 풀어와서 공유<br /> ** [[서지혜]] : 22.5-2<br /> ** [[최다인]] : 22.3-13<br /> === 2주차 (2017/04/02 일) ===<br /> * 22장을 읽음<br /> * Topological sort와 Strongly connected components의 pseudocode 설명이 부실하다...<br /> * 연습문제 3-13의 단일 연결에 대한 이야기<br /> * 23장 읽어오기<br /> * 최소 신장 트리 기본 문제 + 못 푼 문제 풀어오기<br /> ** [[https://www.acmicpc.net/problem/1922|네트워크 연결]]<br /> * 연습문제 풀고 싶은 것 하나씩 풀어와서 공유<br /> === 3주차 (2017/04/09 일) ===<br /> * 23장을 읽음<br /> === 4주차 (2017/04/15 토) ===<br /> * 24장 읽기로 했음<br /> ** 이번주 스터디 쉽니다<br /> * 다음주: 24장 각자 읽고, 25장 하기로 함.<br /> === 5주차 (2017/04/23 일) ===<br /> * 25장 읽음<br /> ** APSP(All Pairs of Shortest Path) 알고리즘 중 Matrix multiplication 알고리즘에 대해 이야기 함<br /> ** <br /> while m &amp;lt; n-1 {<br /> L^(2m) = L^(m)*L^(m)<br /> m = m*2<br /> }<br /> ** 이 때 m = n-1이고 n이 짝수이면 m은 홀수인데 어떻게 결과를 얻는가 혼란스러웠는데 m &lt; n-1동안 루프를 반복하는 것이고 마지막 L의 차수는 2^m이므로 항상 짝수임을 알게되었다.<br /> ** 구글링한 학습 자료에는 위 알고리즘이 seidel's algorithm이라고 명명되어 있는데 해당 키워드로 검색이 되지 않았다. 알고보니 seidel은 수학자이고 seidel's algorithm은 정식 명칭이 아니라 [[https://en.wikipedia.org/wiki/Gauss%E2%80%93Seidel_method|Gauss Seidel method]]이 정식 명칭인 듯 하다.<br /> * 다음주: 26.3장 까지 읽기, 문제 풀기<br /> ** [[https://www.acmicpc.net/problem/1014|컨닝]]<br /> ** [[https://www.acmicpc.net/problem/3640|제독]]<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/CLRS&diff=27917 2017-04-23T13:50:00Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == 개요 ==<br /> * `Introduction to Algorithms` 책으로 행아웃 온라인 스터디를 합니다.<br /> * 기본적으로 매주 토요일 오전 11시, 혹은 일요일 오전 11시<br /> * 참가자 : [[서지혜]], [[최다인]]<br /> <br /> * [[http://hothobbang.tistory.com/m/59|공부방법에 대한 좋은 글]]<br /> == 진행 상황 ==<br /> === 1주차 (2017/03/26 일) ===<br /> * 1장을 읽음<br /> * 22장 그래프로 바로 건너뜀. 22장 읽기<br /> * 그래프 기본 문제 풀어보기<br /> ** [[https://www.acmicpc.net/problem/7576|토마토]]<br /> ** [[https://www.acmicpc.net/problem/7579|토마토(난이도 UP)]]<br /> ** [[https://www.acmicpc.net/problem/2606|바이러스]]<br /> * 연습문제 하나씩 풀어와서 공유<br /> ** [[서지혜]] : 22.5-2<br /> ** [[최다인]] : 22.3-13<br /> === 2주차 (2017/04/02 일) ===<br /> * 22장을 읽음<br /> * Topological sort와 Strongly connected components의 pseudocode 설명이 부실하다...<br /> * 연습문제 3-13의 단일 연결에 대한 이야기<br /> * 23장 읽어오기<br /> * 최소 신장 트리 기본 문제 + 못 푼 문제 풀어오기<br /> ** [[https://www.acmicpc.net/problem/1922|네트워크 연결]]<br /> * 연습문제 풀고 싶은 것 하나씩 풀어와서 공유<br /> === 3주차 (2017/04/09 일) ===<br /> * 23장을 읽음<br /> === 4주차 (2017/04/15 토) ===<br /> * 24장 읽기로 했음<br /> ** 이번주 스터디 쉽니다<br /> * 다음주: 24장 각자 읽고, 25장 하기로 함.<br /> === 5주차 (2017/04/23 일) ===<br /> * 25장 읽음<br /> ** APSP(All Pairs of Shortest Path) 알고리즘 중 Matrix multiplication 알고리즘에 대해 이야기 함<br /> while m &amp;lt; n-1 {<br /> L^(2m) = L^(m)*L^(m)<br /> m = m*2<br /> }<br /> ** 이 때 m = n-1이고 n이 짝수이면 m은 홀수인데 어떻게 결과를 얻는가 혼란스러웠는데 m &lt; n-1동안 루프를 반복하는 것이고 마지막 L의 차수는 2^m이므로 항상 짝수임을 알게되었다.<br /> ** 구글링한 학습 자료에는 위 알고리즘이 seidel's algorithm이라고 명명되어 있는데 해당 키워드로 검색이 되지 않았다. 알고보니 seidel은 수학자이고 seidel's algorithm은 정식 명칭이 아니라 [[https://en.wikipedia.org/wiki/Gauss%E2%80%93Seidel_method|Gauss Seidel method]]이 정식 명칭인 듯 하다.<br /> * 다음주: 26.3장 까지 읽기, 문제 풀기<br /> ** [[https://www.acmicpc.net/problem/1014|컨닝]]<br /> ** [[https://www.acmicpc.net/problem/3640|제독]]<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/CLRS&diff=27916 2017-04-23T13:40:57Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == 개요 ==<br /> * `Introduction to Algorithms` 책으로 행아웃 온라인 스터디를 합니다.<br /> * 기본적으로 매주 토요일 오전 11시, 혹은 일요일 오전 11시<br /> * 참가자 : [[서지혜]], [[최다인]]<br /> <br /> * [[http://hothobbang.tistory.com/m/59|공부방법에 대한 좋은 글]]<br /> == 진행 상황 ==<br /> === 1주차 (2017/03/26 일) ===<br /> * 1장을 읽음<br /> * 22장 그래프로 바로 건너뜀. 22장 읽기<br /> * 그래프 기본 문제 풀어보기<br /> ** [[https://www.acmicpc.net/problem/7576|토마토]]<br /> ** [[https://www.acmicpc.net/problem/7579|토마토(난이도 UP)]]<br /> ** [[https://www.acmicpc.net/problem/2606|바이러스]]<br /> * 연습문제 하나씩 풀어와서 공유<br /> ** [[서지혜]] : 22.5-2<br /> ** [[최다인]] : 22.3-13<br /> === 2주차 (2017/04/02 일) ===<br /> * 22장을 읽음<br /> * Topological sort와 Strongly connected components의 pseudocode 설명이 부실하다...<br /> * 연습문제 3-13의 단일 연결에 대한 이야기<br /> * 23장 읽어오기<br /> * 최소 신장 트리 기본 문제 + 못 푼 문제 풀어오기<br /> ** [[https://www.acmicpc.net/problem/1922|네트워크 연결]]<br /> * 연습문제 풀고 싶은 것 하나씩 풀어와서 공유<br /> === 3주차 (2017/04/09 일) ===<br /> * 23장을 읽음<br /> === 4주차 (2017/04/15 토) ===<br /> * 24장 읽기로 했음<br /> ** 이번주 스터디 쉽니다<br /> * 다음주: 24장 각자 읽고, 25장 하기로 함.<br /> === 5주차 (2017/04/23 일) ===<br /> * 25장 읽음<br /> * 다음주: 26.3장 까지 읽기, 문제 풀기<br /> ** [[https://www.acmicpc.net/problem/1014|컨닝]]<br /> ** [[https://www.acmicpc.net/problem/3640|제독]]<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/CLRS&diff=27915 2017-04-23T13:40:46Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == 개요 ==<br /> * `Introduction to Algorithms` 책으로 행아웃 온라인 스터디를 합니다.<br /> * 기본적으로 매주 토요일 오전 11시, 혹은 일요일 오전 11시<br /> * 참가자 : [[서지혜]], [[최다인]]<br /> <br /> * [[http://hothobbang.tistory.com/m/59|공부방법에 대한 좋은 글]]<br /> == 진행 상황 ==<br /> === 1주차 (2017/03/26 일) ===<br /> * 1장을 읽음<br /> * 22장 그래프로 바로 건너뜀. 22장 읽기<br /> * 그래프 기본 문제 풀어보기<br /> ** [[https://www.acmicpc.net/problem/7576|토마토]]<br /> ** [[https://www.acmicpc.net/problem/7579|토마토(난이도 UP)]]<br /> ** [[https://www.acmicpc.net/problem/2606|바이러스]]<br /> * 연습문제 하나씩 풀어와서 공유<br /> ** [[서지혜]] : 22.5-2<br /> ** [[최다인]] : 22.3-13<br /> === 2주차 (2017/04/02 일) ===<br /> * 22장을 읽음<br /> * Topological sort와 Strongly connected components의 pseudocode 설명이 부실하다...<br /> * 연습문제 3-13의 단일 연결에 대한 이야기<br /> * 23장 읽어오기<br /> * 최소 신장 트리 기본 문제 + 못 푼 문제 풀어오기<br /> ** [[https://www.acmicpc.net/problem/1922|네트워크 연결]]<br /> * 연습문제 풀고 싶은 것 하나씩 풀어와서 공유<br /> === 3주차 (2017/04/09 일) ===<br /> * 23장을 읽음<br /> === 4주차 (2017/04/15 토) ===<br /> * 24장 읽기로 했음<br /> ** 이번주 스터디 쉽니다<br /> * 다음주: 24장 각자 읽고, 25장 하기로 함.<br /> === 5주차 (2017/04/23 일) ===<br /> * 25장 읽음<br /> * 다음주: 26.3장 까지 읽기, 문제 풀기<br /> ** [[https://www.acmicpc.net/problem/1014|컨닝]]<br /> ** https://www.acmicpc.net/problem/3640<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/CLRS&diff=27914 2017-04-23T13:40:25Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == 개요 ==<br /> * `Introduction to Algorithms` 책으로 행아웃 온라인 스터디를 합니다.<br /> * 기본적으로 매주 토요일 오전 11시, 혹은 일요일 오전 11시<br /> * 참가자 : [[서지혜]], [[최다인]]<br /> <br /> * [[http://hothobbang.tistory.com/m/59|공부방법에 대한 좋은 글]]<br /> == 진행 상황 ==<br /> === 1주차 (2017/03/26 일) ===<br /> * 1장을 읽음<br /> * 22장 그래프로 바로 건너뜀. 22장 읽기<br /> * 그래프 기본 문제 풀어보기<br /> ** [[https://www.acmicpc.net/problem/7576|토마토]]<br /> ** [[https://www.acmicpc.net/problem/7579|토마토(난이도 UP)]]<br /> ** [[https://www.acmicpc.net/problem/2606|바이러스]]<br /> * 연습문제 하나씩 풀어와서 공유<br /> ** [[서지혜]] : 22.5-2<br /> ** [[최다인]] : 22.3-13<br /> === 2주차 (2017/04/02 일) ===<br /> * 22장을 읽음<br /> * Topological sort와 Strongly connected components의 pseudocode 설명이 부실하다...<br /> * 연습문제 3-13의 단일 연결에 대한 이야기<br /> * 23장 읽어오기<br /> * 최소 신장 트리 기본 문제 + 못 푼 문제 풀어오기<br /> ** [[https://www.acmicpc.net/problem/1922|네트워크 연결]]<br /> * 연습문제 풀고 싶은 것 하나씩 풀어와서 공유<br /> === 3주차 (2017/04/09 일) ===<br /> * 23장을 읽음<br /> === 4주차 (2017/04/15 토) ===<br /> * 24장 읽기로 했음<br /> ** 이번주 스터디 쉽니다<br /> * 다음주: 24장 각자 읽고, 25장 하기로 함.<br /> === 5주차 (2017/04/23 일) ===<br /> * 25장 읽음<br /> * 다음주: 26.3장 까지 읽기, 문제 풀기<br /> ** [[컨닝 https://www.acmicpc.net/problem/1014]]<br /> ** https://www.acmicpc.net/problem/3640<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/CLRS&diff=27913 2017-04-23T13:40:01Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> == 개요 ==<br /> * `Introduction to Algorithms` 책으로 행아웃 온라인 스터디를 합니다.<br /> * 기본적으로 매주 토요일 오전 11시, 혹은 일요일 오전 11시<br /> * 참가자 : [[서지혜]], [[최다인]]<br /> <br /> * [[http://hothobbang.tistory.com/m/59|공부방법에 대한 좋은 글]]<br /> == 진행 상황 ==<br /> === 1주차 (2017/03/26 일) ===<br /> * 1장을 읽음<br /> * 22장 그래프로 바로 건너뜀. 22장 읽기<br /> * 그래프 기본 문제 풀어보기<br /> ** [[https://www.acmicpc.net/problem/7576|토마토]]<br /> ** [[https://www.acmicpc.net/problem/7579|토마토(난이도 UP)]]<br /> ** [[https://www.acmicpc.net/problem/2606|바이러스]]<br /> * 연습문제 하나씩 풀어와서 공유<br /> ** [[서지혜]] : 22.5-2<br /> ** [[최다인]] : 22.3-13<br /> === 2주차 (2017/04/02 일) ===<br /> * 22장을 읽음<br /> * Topological sort와 Strongly connected components의 pseudocode 설명이 부실하다...<br /> * 연습문제 3-13의 단일 연결에 대한 이야기<br /> * 23장 읽어오기<br /> * 최소 신장 트리 기본 문제 + 못 푼 문제 풀어오기<br /> ** [[https://www.acmicpc.net/problem/1922|네트워크 연결]]<br /> * 연습문제 풀고 싶은 것 하나씩 풀어와서 공유<br /> === 3주차 (2017/04/09 일) ===<br /> * 23장을 읽음<br /> === 4주차 (2017/04/15 토) ===<br /> * 24장 읽기로 했음<br /> ** 이번주 스터디 쉽니다<br /> * 다음주: 24장 각자 읽고, 25장 하기로 함.<br /> === 5주차 (2017/04/23 일) ===<br /> * 25장 읽음<br /> * 다음주: 26.3장 까지 읽기, 문제 풀기<br /> ** https://www.acmicpc.net/problem/1014<br /> ** https://www.acmicpc.net/problem/3640<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/2017/Week15&diff=27877 2017-04-15T19:59:19Z

<p>14.32.111.6: </p> <hr /> <div>[[AlgorithmStudy/2017|Algorithm Study/2017]]<br /> <br /> __TOC__<br /> <br /> = 공지사항 =<br /> <br /> * 이번 주차엔 중간고사(20~26일) 대비와 겹쳐 보다 자율적인 일정 관리를 위해 중간점검 항목을 없앴습니다.<br /> <br /> = 문제집 =<br /> <br /> * 모든 문제를 읽어본 후에 어떤 문제를 시도할 것인지 표에 기록하고 시도했다면 성공/실패 여부를 적어주시기 바랍니다.<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | <br /> | [https://www.acmicpc.net/problem/12438 새로운 달력] * GCJ Korea 2012 QR<br /> | [https://www.acmicpc.net/problem/12440 계산식 복원] * GCJ Korea 2012 QR<br /> | [https://www.acmicpc.net/problem/12338 Lawnmower] * GCJ 2013 QR<br /> |-<br /> | 정진경<br /> | <br /> | <br /> | <br /> |-<br /> | 김성민<br /> | <br /> | <br /> | <br /> |-<br /> | 김상렬<br /> | <br /> | <br /> | <br /> |-<br /> | 최다인<br /> | <br /> | <br /> | <br /> |-<br /> | 서지혜<br /> | AC<br /> | <br /> | <br /> |-<br /> | 박인서<br /> | colspan=&quot;3&quot; | 시험기간 관계로 이번주 쉽니다.<br /> |-<br /> | 이민석<br /> | 100%에서 WA는 머냐<br /> | <br /> | <br /> |-<br /> | 한재민<br /> | colspan=&quot;3&quot; | 시험기간 관계로 이번주 쉽니다.<br /> |}<br /> <br /> = 도우미 (Advisor) =<br /> <br /> * 도우미가 아니더라도 해당 문제를 미리 풀었다면 도우미 지정이 가능합니다.<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | 정진경<br /> | 슬랙/카톡 연락<br /> |-<br /> | 박인서<br /> | 슬랙이나 카톡으로 연락 주시면 됩니다.<br /> |}<br /> <br /> = 진행상황 공유 및 후기 (4월 15일 23시 59분까지) =<br /> <br /> * 진행 내용: 문제집 중 어떤 문제를 풀기를 시도했고, 현재까지의 객관적인 경과를 쓰시면 됩니다. 문제를 이해하였는지, 제출해서 시간초과/틀렸습니다 등.<br /> * 자가 진단: 못 풀었을 경우, 풀지 못한 원인에 대해 스스로 생각해 봅니다. 풀었을 경우 더 나은 방법에 대한 생각 등을 적어주세요.<br /> * 도우미: 시도한 문제를 못 풀었을 경우엔 반드시 도우미를 지정하세요.<br /> ** [https://search.naver.com/search.naver?sm=tab_hty.top&amp;where=nexearch&amp;oquery=%EC%82%AC%EB%8B%A4%EB%A6%AC&amp;ie=utf8&amp;query=%EC%82%AC%EB%8B%A4%EB%A6%AC%EA%B2%8C%EC%9E%84 혹시 결정 장애라면]<br /> <br /> = 메모장 =<br /> <br /> <br /> 접읍시다<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/2017/Week15&diff=27876 2017-04-15T17:28:40Z

<p>14.32.111.6: </p> <hr /> <div>[[AlgorithmStudy/2017|Algorithm Study/2017]]<br /> <br /> __TOC__<br /> <br /> = 공지사항 =<br /> <br /> * 이번 주차엔 중간고사(20~26일) 대비와 겹쳐 보다 자율적인 일정 관리를 위해 중간점검 항목을 없앴습니다.<br /> <br /> = 문제집 =<br /> <br /> * 모든 문제를 읽어본 후에 어떤 문제를 시도할 것인지 표에 기록하고 시도했다면 성공/실패 여부를 적어주시기 바랍니다.<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | <br /> | [https://www.acmicpc.net/problem/12438 새로운 달력] * GCJ Korea 2012 QR<br /> | [https://www.acmicpc.net/problem/12440 계산식 복원] * GCJ Korea 2012 QR<br /> | [https://www.acmicpc.net/problem/12338 Lawnmower] * GCJ 2013 QR<br /> |-<br /> | 정진경<br /> | <br /> | <br /> | <br /> |-<br /> | 김성민<br /> | <br /> | <br /> | <br /> |-<br /> | 김상렬<br /> | <br /> | <br /> | <br /> |-<br /> | 최다인<br /> | <br /> | <br /> | <br /> |-<br /> | 서지혜<br /> | WA 아 뭔데<br /> | <br /> | <br /> |-<br /> | 박인서<br /> | colspan=&quot;3&quot; | 시험기간 관계로 이번주 쉽니다.<br /> |-<br /> | 이민석<br /> | 100%에서 WA는 머냐<br /> | <br /> | <br /> |-<br /> | 한재민<br /> | colspan=&quot;3&quot; | 시험기간 관계로 이번주 쉽니다.<br /> |}<br /> <br /> = 도우미 (Advisor) =<br /> <br /> * 도우미가 아니더라도 해당 문제를 미리 풀었다면 도우미 지정이 가능합니다.<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | 정진경<br /> | 슬랙/카톡 연락<br /> |-<br /> | 박인서<br /> | 슬랙이나 카톡으로 연락 주시면 됩니다.<br /> |}<br /> <br /> = 진행상황 공유 및 후기 (4월 15일 23시 59분까지) =<br /> <br /> * 진행 내용: 문제집 중 어떤 문제를 풀기를 시도했고, 현재까지의 객관적인 경과를 쓰시면 됩니다. 문제를 이해하였는지, 제출해서 시간초과/틀렸습니다 등.<br /> * 자가 진단: 못 풀었을 경우, 풀지 못한 원인에 대해 스스로 생각해 봅니다. 풀었을 경우 더 나은 방법에 대한 생각 등을 적어주세요.<br /> * 도우미: 시도한 문제를 못 풀었을 경우엔 반드시 도우미를 지정하세요.<br /> ** [https://search.naver.com/search.naver?sm=tab_hty.top&amp;where=nexearch&amp;oquery=%EC%82%AC%EB%8B%A4%EB%A6%AC&amp;ie=utf8&amp;query=%EC%82%AC%EB%8B%A4%EB%A6%AC%EA%B2%8C%EC%9E%84 혹시 결정 장애라면]<br /> <br /> = 메모장 =<br /> <br /> <br /> 접읍시다<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=AlgorithmStudy/2017/Week12&diff=27749 2017-03-23T10:59:32Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> <br /> = 문제집 =<br /> <br /> # [https://www.acmicpc.net/problem/2110 공유기 설치]<br /> # [https://www.acmicpc.net/problem/3640 제독]<br /> # [https://www.acmicpc.net/problem/1783 병든 나이트]<br /> <br /> <br /> = 도우미 (Advisor) =<br /> <br /> * 일단 3학년 이상, 프로그래밍 대회 유경험자는 모두 넣었습니다. 부담스러운 분은 셀프로 삭제해 주시고 본인이 도우미로 지정되었는데 해당 문제에 관해 도움을 줄 수 없다고 판단되시면 다른 도우미를 대신 지정해주시면 됩니다.<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | 정진경<br /> | 슬랙/카톡 연락<br /> |-<br /> | 박인서<br /> | 슬랙이나 카톡으로 연락 주시면 됩니다.<br /> |}<br /> <br /> = 1차 중간 점검 (3월 21일 23시 59분까지) =<br /> <br /> * 진행 내용: 문제집 중 어떤 문제를 풀기를 시도했고, 현재까지의 객관적인 경과를 쓰시면 됩니다. 문제를 이해하였는지, 제출해서 시간초과/틀렸습니다 등.<br /> * 자가 진단: 못 풀었을 경우, 풀지 못한 원인에 대해 스스로 생각해 봅니다. 풀었을 경우 더 나은 방법에 대한 생각 등을 적어주세요.<br /> * 도우미: 시도한 문제를 못 풀었을 경우엔 반드시 도우미를 지정하세요.<br /> ** [https://search.naver.com/search.naver?sm=tab_hty.top&amp;where=nexearch&amp;oquery=%EC%82%AC%EB%8B%A4%EB%A6%AC&amp;ie=utf8&amp;query=%EC%82%AC%EB%8B%A4%EB%A6%AC%EA%B2%8C%EC%9E%84 혹시 결정 장애라면]<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | <br /> | 진행 내용<br /> | 자가 진단<br /> | 도우미<br /> |-<br /> | 정진경<br /> | 제독 WA<br /> | 구현 문제로 추측, 팀노트 구현 가져와서 해보고 그래도 WA면 알고리즘이 정해를 내는지 다시 찾아야 함 =&gt; 팀노트 구현 가져오니 통과, 모델링엔 문제가 없어보이고 구현한 알고리즘 디버깅 필요<br /> | 이민석<br /> |-<br /> | 김성민<br /> | 1번 푸는 중<br /> | 문제는 이해 했음. 처음엔 공유기 개수만큼 C분할탐색해야하는거 아니냐.. 하고 생각해 봤는데 굳이 C분할탐색 할 필요 없이 binary search를 응용한 문제라고 생각함, 2번은 그래프길래 읽자마자 포기.<br /> | <br /> |-<br /> | 김상렬<br /> | 1번 못품 2번 못품 3번 품<br /> | 3. test case 분류--&gt; 그림 그려서 푼다 말이 오른쪽 으로밖에 이동안하니 갈 수 있는데 한계가 있음. 1번은 이진탐색 힌트를 얻었으나, 풀지못함, 2번은 아직 풀단계가 아닌것 같습니다.<br /> | <br /> |-<br /> | 최다인<br /> | 1번 통과<br /> | 알고리즘 문제를 너무 오랜만에 봐서 푸는 방법을 한동안 못 떠올리고 뻘짓함. 더 나은 방법은 파이썬을 포기하는 것이라고 생각 :P 시간이 없어 다른 문제는 아직 보지 못했음<br /> | <br /> |-<br /> | 서지혜<br /> | <br /> | <br /> | <br /> |-<br /> | 박인서<br /> | 1번 통과 &amp; 2번 푸는 중<br /> | 1. 처음에 아이디어를 떠올리기 힘들었지만 문제 분류의 도움을 좀 받음(아이디어 자체가 중요한 문제라 풀이는 못 씀) 2. 네트워크 플로우 임을 깨달음. ~~하지만 나는 풀줄 모르자나 아마 안될거야..~~<br /> | 2번 정진경, 3번 김상렬<br /> |-<br /> | 최기수<br /> | 1번 문제 도전<br /> | 문제의 요구 사항이 무엇인지 이해하였으나, 접근하는 방법을 모르겠음...<br /> | 정진경<br /> |-<br /> | 이민석<br /> | 1번 통과(C++) / 2번 통과 (C++) / 3번 통과 (C++, Rust)<br /> | 2번 모델링 맞은 줄 알았는데 문제 다시 읽어보니 조건을 빼먹음<br /> | 정진경<br /> |}<br /> = 2차 중간 점검 (3월 23일 23시 59분까지) =<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | <br /> | 진행 내용<br /> | 자가 진단<br /> | 도우미<br /> |-<br /> | 정진경<br /> | <br /> | <br /> | <br /> |}<br /> || 김성민 ||1번 푸는중, 3번 Solved&amp;<br /> ~~2번 포기~~||이런 문제 좋아해서 그런지  이런거 나오면 금방 푸는 거 같아요..|| ||<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | 김상렬<br /> | <br /> | <br /> | <br /> |-<br /> | 최다인<br /> | 3번 통과<br /> | 이번에는 문제를 완전히 잘못 이해해서 뻘짓함. 나이트가 도달할 수 있는 모든 칸이라고 생각했는데, 멈추지 않고 한번에 이동할 때 갈 수 있는 최대 칸수였음. 문제 이해하고 바로 풀었음<br /> | <br /> |-<br /> | 서지혜<br /> | <br /> | <br /> | <br /> |-<br /> | 박인서<br /> | <br /> | <br /> | <br /> |-<br /> | 최기수<br /> | 1번 중도 포기<br /> | 알고리즘을 도우미를 통해 이해했으나 코딩 실력이 부족<br /> | 정진경<br /> |-<br /> | 이민석<br /> | <br /> | <br /> | <br /> |}<br /> = 최종 결과 =<br /> <br /> * 후기에 공유하고 싶은 내용, 느낀점, 불만사항, 개선 방법 등을 자유롭게 적어 더 나은 다음 주를 보냅시다~<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | <br /> | 진행 내용<br /> | 자가 진단<br /> | 도우미<br /> | 후기<br /> |-<br /> | 정진경<br /> | <br /> | <br /> | <br /> | <br /> |-<br /> | 김성민<br /> | <br /> | <br /> | <br /> | <br /> |-<br /> | 김상렬<br /> | <br /> | <br /> | <br /> | <br /> |-<br /> | 최다인<br /> | <br /> | <br /> | <br /> | <br /> |-<br /> | 서지혜<br /> | <br /> | <br /> | <br /> | <br /> |-<br /> | 박인서<br /> | <br /> | <br /> | <br /> | <br /> |-<br /> | 최기수<br /> | 1번 중도 포기<br /> | 실력이 부족<br /> | 정진경<br /> | 스터디 활동을 하기엔 아직 이르다고 판단 ㅠㅠ<br /> |-<br /> | 이민석<br /> | <br /> | <br /> | <br /> | <br /> |}<br /> = 메모장 =<br /> <br /> 텍스트 기반으로 수정을 하니 테이블을 쓰면 내용을 길게 적기 어렵군요... 자유롭게 작성할 수 있으면서 진행 상황이 한 눈에 보이는 형식이 없을지<br /> <br /> 아이고 제가 내용을 길게적어서 그런지 테이블 모양이 매우 못생겨졌네요;; - [[최다인]]<br /> * 전체 내용에 대해서 테이블 모양으로 다 만들 필요는 없다고 봅니다. - [[박인서]]<br /> * 그러면 자가 진단이나 후기정도는 테이블 밖으로 빼는 게 어떨까요? - [[최다인]]<br /> </div>

14.32.111.6 https://mediawiki.zeropage.org/index.php?title=%EC%83%88%EC%8B%B9%EA%B5%90%EC%8B%A4/2011&diff=52459 2017-02-09T14:44:54Z

<p>14.32.111.6: </p> <hr /> <div>__TOC__<br /> == 2011년 새싹교실 ==<br /> * [[새싹교실/2011/A+]]<br /> * [[새싹교실/2011/AmazingC]]<br /> * [[새싹교실/2011/GGT]]<br /> * [[새싹교실/2011/Noname]]<br /> * [[새싹교실/2011/Pixar]]<br /> * [[새싹교실/2011/Temp]]<br /> * [[새싹교실/2011/學高]]<br /> * [[새싹교실/2011/데미안반]]<br /> * [[새싹교실/2011/무전취식]]<br /> * [[새싹교실/2011/쉬운것같지만쉬운반]]<br /> * [[새싹교실/2011/씨언어발전]]<br /> * [[새싹교실/2011/앞반뒷반그리고App반]]<br /> <br /> == 새싹 교실 가이드라인 ==<br /> 새싹 교실 가이드라인은 더 나은 새싹 교실을 만들기 위해 ZeroPage가 추천하는 방법입니다. 강제는 아니지만 선생님들께서는 그 의미를 생각해보시고 따라주시면 감사하겠습니다.<br /> === 진행 시간 ===<br /> 너무 짧은 시간동안 진행한다면 가르쳐줄 수 있는 것이 적습니다. 그러니<br /> * 한 주에 두시간 이상 진행해주세요.<br /> * 총 8회 이상 진행해주세요.<br /> === 테스트 ===<br /> 내가 짠 코드를 직접 출력을 통해 확인하는 것은 분명 매력적인 일입니다. 그러나 처음 익힌 코딩 습관은 버리기 매우 어렵습니다. 많은 학생들이 처음 프로그래밍을 배우며 printf 함수를 사용하여 코드를 검증하는 습관을 들입니다. 그 때문에 상당수의 졸업할때까지 테스트보다는 직접 눈으로 확인하는 것을 선호합니다. 그런데 작성한 코드가 잘 돌아가는지 알기 위해 직접 눈으로 확인해야만 하는 것은 매우 많은 문제가 있습니다.(이것에 대해서 더 적자면 정말 길어질테니 일단 이 페이지엔 적지 않겠습니다.)<br /> * 학교 수업에서 사용하기 때문에 printf 함수를 소개할 필요는 있습니다. 그러나 새싹교실에서 실습한 코드들을 검증하기 위해 매번 printf를 사용하는 것은 권장하지 않습니다.<br /> * 출력을 통한 확인보다는 테스트를 통한 확인을 유도해주세요.<br /> * 테스트는 [http://winapi.co.kr/clec/reference/assert.gif assert]함수를 통해 간단히 만들 수 있습니다.<br /> ** 혹시 assert를 사용할 줄 모르신다면, 그리고 테스트라는 게 무엇인지 잘 감이 안 오신다면 [[김수경]]에게 도움을 요청해주세요.<br /> === 피드백 ===<br /> 피드백은 귀찮게 하기 위한 관리의 수단이 아니라 각 반이 매 시간마다 더 즐겁고 유익한 수업을 진행하고, 다음 해 새싹 교실에서도 이를 참고하기 위한 기록입니다.<br /> * ''좋았어요.''만 적힌 피드백을 보고 더 좋은 수업을 준비하기는 어렵겠죠? 의미있는 피드백을 남기기 위해<br /> ** 학생들에게 피드백이 가지는 의미를 설명해주세요.<br /> ** 학생들에게 F4(ThreeFs + FutureActionPlan) 혹은 FiveFs에 대해 설명하고 이를 지키도록 해주세요.<br /> ** 학생들이 피드백 작성을 어려워한다면 선생님이 구체적인 질문을 던지는 것도 좋습니다.<br /> === 위키 ===<br /> 위키는 새내기들에게 낯선 환경이지만 사용하기 전혀 어렵지 않고, 내용이 쌓이면 게시판에 비해 내용들을 찾아보기 훨씬 좋답니다.<br /> * 위키를 사용하기 어렵게 느낀다면 그건 익숙하지 않기 때문이예요. 함께 써보는 시간을 마련해주세요.<br /> * 새내기들이 위키 문법을 처음부터 익히기는 어렵습니다. 선생님이 먼저 위키에 내용을 작성하여 학생들이 참고할 수 있도록 해주세요.<br /> * 위키를 더 유용하게 사용하기 위해 지켜야할 것들이 있습니다. 각 반 페이지를 만드실때 페이지 이름은 '''새싹교실/2011/반이름''' 으로 만들어주세요.<br /> ** / 아래에 쓰면 하위 페이지라는 의미가 있습니다. 즉, ''새싹교실/2011''은 ''새싹교실''페이지의 하위 페이지이고 ''새싹교실/2011/새싹반''은 ''새싹교실/2011''페이지의 하위 페이지가 됩니다. <br /> ** 각 반 이름 아래에 날짜별로 하위페이지를 만드셔도 좋고 반 페이지에 제목으로 날짜를 분류하여 작성하셔도 좋습니다.<br /> ** 위키 페이지를 어떻게 써야할지 모르겠다면 위키의 다른 스터디 페이지를 참고하시거나 [[김수경]]에게 물어보세요.<br /> * 위키 문법 연습은 WikiSandBox에 해주세요.<br /> === 회고 ===<br /> 회고를 통해 매번 그날 했던 것을 돌아봄으로써 배운 것을 더 잘 기억할 수 있고 학생들이 피드백을 작성하기도 더 수월해집니다.<br /> * 매 수업이 끝나면 3~5분정도 간단히 그 날 수업을 돌아보는 시간을 가져주세요.<br /> * 거창한 회고를 하실 필요는 없습니다.<br /> ** 간단히 돌아가면서 선생님과 학생들이 그날의 소감을 말하는 정도만 되어도 괜찮습니다.<br /> ** 하지만 더 좋은 회고를 진행하고 싶으시다면 책장에 있는 애자일회고 책을 읽어보시거나 [[김수경]], [[서지혜]]에게 도움을 요청해주세요.<br /> == 새싹 교실 지원 방침 ==<br /> 새싹 교실 지원 방침의 기본은 '''새싹 교실을 열심히 진행하고, ZeroPage의 발전에 기여한다면 그에 대해 지원'''하는 것입니다.<br /> * 위키 가꾸기 : 가장 쉬운 기여 방법<br /> ** 피드백<br /> ** 가이드라인의 피드백 항목을 참조하여 작성해주시면 됩니다.<br /> ** 올해 새싹 교실 지원은 기본적으로 피드백 개수를 세어 지원합니다.<br /> ** 공부한 내용 정리하기<br /> ** 각 반 페이지에 매번 공부한 내용을 정리해주세요. 일정 기간 별로 가장 잘 정리한 반을 뽑아 지원합니다.<br /> * 다른 방법도 환영합니다.<br /> ** 예를 들어 새싹 교실을 통해 배운 것들을 ZeroPage 정모에서 공유하셔도 좋습니다.<br /> ** 혹은 새싹 교실에서 진행한 프로젝트의 소스를 공개하는 것도 좋습니다.<br /> ** 새싹 교실을 진행하면서 영상으로 찍어 공유하는 것도 좋습니다.<br /> ** 이 외에도 여러분이 생각하실 수 있는 새롭고 재밌는 방법으로 새싹 교실의 내용을 공유해주세요.<br /> * 게임에서 우승하기<br /> ** 모든 반 새싹 선생님과 학생들이 한자리에 모이는 날을 마련할 예정입니다. 이 날 진행한 게임에서 우승한 반은 추가적인 지원을 받으실 수 있습니다.<br /> == 참고용 커리큘럼 ==<br /> * 손봉수 교수님 수업의 커리큘럼을 기반으로 작성되었습니다.<br /> * 커리큘럼 가이드라인은 참고 및 예시용으로 사용하며, 평가와는 무관합니다.<br /> * 모든 선생님이 따를 필요는 없습니다. 막막하신 선생님들은 참고해주세요:)<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | 주차<br /> | 내용<br /> |-<br /> | 1<br /> | 홍보 및 반 편성<br /> |-<br /> | rowspan=&quot;2&quot; | 2<br /> | 강사 및 학생 사전 미팅(시간 최종 조정)<br /> |-<br /> | 반 편성<br /> |}<br /> ||3||computer science의 기초적인 내용:<br /> 각 파트의 역할, program의 실행원리, software(layer 활용), complier와 interpreter 역할<br /> 프로그래밍 단계(code 작성-&gt;compile-&gt;link-&gt;generating .exe file)<br /> C언어의 기초적인 내용:<br /> 장점과 단점에 대해서 설명(이론적인 내용)<br /> header file, source file, resource file 개념 설명<br /> stdio.h: printf, scanf function<br /> Hello world 작성<br /> constant/variable-&gt;variable: 논리회로와 연관시키면 은근히 편함<br /> redirection||<br /> ||4||operator:<br /> arithmetic operator<br /> bitwise operator<br /> logical operator, relational operator<br /> type casting<br /> shorthand operator, operator precedence<br /> increment/decrement, postfix/prefix<br /> control structure:<br /> if-else<br /> switch<br /> while, do-while, for: 서로 바꿔서 써보도록(피드백 필수)<br /> nested roop<br /> infinite loop, break/continue<br /> dangle else problem<br /> <br /> 과제: 별찍기||<br /> ||5||function<br /> variable: global, local, static, stack overflow도 설명<br /> void type<br /> call by value mechanism||<br /> ||6||실습:<br /> 달력을 하던 sorting을 하던 알아서 할 것<br /> 가이드라인 추후제공||<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | 7<br /> | 중간고사 대비<br /> |-<br /> | 8<br /> | 중간고사<br /> |}<br /> ||9||array:<br /> declaration<br /> initialization<br /> multi-dimension array||<br /> ||10||pointer:<br /> 개념<br /> operator<br /> address<br /> pointer arithmetic<br /> array와 pointer의 관계||<br /> ||11||dynamic allocation:<br /> string:<br /> string.h<br /> string I/O||<br /> ||12||structure<br /> typedef<br /> enum<br /> file I/O<br /> macro, pre-processor||<br /> ||13||&lt;|2&gt;실습(강사재량)<br /> 가이드라인 추후제공||<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | 14<br /> |}<br /> ||15||기말고사 대비|<br /> |-<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | 16<br /> | 기말고사<br /> |}<br /> ----<br /> * 더 좋은 커리큘럼을 만들기 위한 의견도 환영합니다. 커리큘럼을 개선할 아이디어가 있으시면 아래에 적어주세요.<br /> ----<br /> [[새싹교실]]<br /> </div>

14.32.111.6