티스토리

개발 공부하는 사람

검색하기

블로그 홈

개발 공부하는 사람

bagineer.tistory.com/m

https://github.com/bagineer

구독자: 1

방명록 방문하기

주요 글 목록

2021.09.24 - [Week 8] Day 2. Coma 공부한 내용 1. Full Stack Machine Learning Engineer 1.1. What is ML Engineer? • ML(DL) 기술을 이해하고, 연구하고, Product를 만드는 Engineer • SW Engineer 영역과 ML Researcher 사이의 영역 • Research 영역과 Engineer 영역의 경계가 모호함 1.2. What is Full Stack Engineer? • client / server SW를 개발할 수 있는 사람 (web application) • 코딩 잘하고, 창의적이고, 다양한 조직의 사람과 협업할 수 있고, 새로운 기술을 배우는 것을 즐기는 개발자 (Apple) • 모든 stack을 잘 다루려는 방향으로 가고 있다면 full stack engin.. 공감수 0 댓글수 0 2021. 9. 25.
2021.09.23 - [Week 8] Day 1. Comma 공부한 내용 특강 이활석님 - 서비스 향 AI 모델 개발하기 1. 이력 대단하신분임! 암튼 대단하신 분임!! 2. 서비스향 AI 모델 개발 vs. 수업, 학교, 연구 AI 모델 개발 2.1. 연구 관점에서의 AI 개발 • 수업, 학교, 연구 목적의 AI 개발은 데이터셋, 평가 방식이 정해짐 • 더 좋은 모델을 찾는 과정 2.2. 서비스 관점에서의 AI 개발 • 학습 데이터셋이 없다. • 테스트 데이터셋과 테스트 방법도 없다. • 대신 서비스 요구사항이 있다. 2.3. 학습 데이터셋 준비 • 첫 번째로 해야할 작업 • 서비스 요구사항으로부터 학습 데이터셋의 종류, 수량, 정답을 정의 • 질의응답을 통해 데이터셋의 종류, 수량, 정답 관련 요구사항을 구체화 • 기술모듈 설계 - 데이터 수집에 따라 모듈 추가.. 공감수 0 댓글수 0 2021. 9. 24.
2021.09.14 - [Week 7] Day 2. 팀 구성 완료 공부한 내용 Instance / Panoptic Segmentation and Landmark Localization 1. Instance Segmentation 1.1. What is Instance Segmentation? 1) Instance segmentation • 더 진보된 segmentation • semantic segmentation + object detection • 같은 class의 물체라도 개체(instance)가 다르면 구분 가능 1.2. Instance Segmentation 1) Mask R-CNN • faster R-CNN과 동일한 구조 • ROI pooling 대신 RoIAlign이라는 새로운 pooling layer 적용 - interpolation 통해 소수점 pixe.. 공감수 0 댓글수 0 2021. 9. 15.
2021.09.13 - [Week 7] Day 1. 컨디션 쏘쏘 공부한 내용 CNN Visualization 1. Visualizing CNN 1.1. What is CNN visualization? 1) Black box • CNN은 학습 가능한 convolution과 non-linear activation function들의 stack으로 이루어진 연산기 • 가설 : 무엇인가 학습을 해서 결과가 잘 나오지 않을까? • CNN은 여러 단계에 걸친 학습으로 정해진 weight들로 복잡하게 이루어져 있다. -> black box • CNN visualization 통해 black box 들여다 보자! • visualization 통해 왜 잘 작동하는지 가늠 • visualization 통해 어떻게 성능을 높일 수 있을지 힌트를 얻을 수 있다. • visualizatio.. 공감수 0 댓글수 0 2021. 9. 14.
2021.09.09 - [Week 6] Day 4. - 공부한 내용 Semantic Segmentation 1. Semantic Segmentation 1.1. What is semantic segmentation? 1) overview • image classification을 pixel 단위로 분류하는 문제 • 영상 속 물체의 mask를 생성 • 같은 class이지만 서로 다른 물체는 구분하지 못함 - e.g. 영상 속 여러명의 사람은 같은 색으로 표현 • instance segmentation : 같은 class이지만 서로 다른 물체를 구분 1.2. Where can semantic segmentation be applied to? 1) applications • semantic segmentation은 image 내의 contents를 이해하는 데에 .. 공감수 0 댓글수 0 2021. 9. 10.
2021.09.07 - [Week 6] Day 2. - 공부한 내용 1. Annotation Data Efficient Learning 1.1. Data augmentation 1.1.1. Learning representation from a dataset 1) neural network • data를 컴퓨터가 이해할 수 있는 지식의 형태로 압축하여 녹여낸 system • model이 data를 골고루 담고 있는 것이 best 2) biased dataset • 실제 dataset은 대부분 bias되어 있다. • 실제 dataset은 사람이 카메라로 찍은 image • 사람이 구도를 잡아 찍은 사진은 보기 좋게 찍기 위해 bias시켜서 찍는다. • 카메라로 찍은 train data가 test time의 data를 모두 표현할 수는 없다. 3) train d.. 공감수 0 댓글수 0 2021. 9. 8.
2021.09.06 - [Week 6] Day 1. Level 2 공부한 내용 1. Computer Vision 1.1. Overview 1.1.1. Why is visual perception important? 1) AI • AI : 사람의 지능을 컴퓨터 시스템으로 구현한 것 • 사람의 지능은 시각, 소리 등 지각능력 뿐만 아니라 이해의 영역까지 포함 • 넓은 영역인 사람의 지능을 구현하기 위해 reference를 인간으로 설정 2) Multi-modal perception • 사람이 유아기 시절부터 세상을 학습하는 방식에서 시작 • 오감을 활용한 지각능력 -> 세상과 상호작용, 관찰 -> 인과 관계, 사고능력 • 지각능력 획득이 첫 step이자 가장 중요한 단계 3) Perception to system • 시스템에서의 지각능력은 input과 output data.. 공감수 0 댓글수 0 2021. 9. 7.
2021.09.03 - [Week 5] Day 5. 마무리 1. 대회 마무리 작업 1.1. team code 작성 - 개인 실험 내용을 담은 코드 정리 - team code에 모듈화된 code를 병합 2. 피어세션 • team wrap-up report 작성 • team code 제출 방법 논의 • team 회고지 작성 3. 마스터 클래스 3.1. 1등 team • 접근 - EDA : 인간지능으로 miss labeling된 데이터 검색에 시간 투자 - 50, 60대 구별이 어려워 50, 60대에서 점수 갈릴 것으로 판단 - 일정하지 않은 class 분포 확인 - weighted random sampler 적용하여 빈도 수에 맞게 dataset 생성 • 전처리 - data augmentation 적용 - cutout : 얼굴 가려서 학습 어렵도록 설정 -> ove.. 공감수 0 댓글수 0 2021. 9. 3.
2021.09.02 - [Week 5] Day 4. 대회 종료 1. 대회 진행 상황 1.1. under sampling & combinations of albumentations & non transfer learning 적용 - data loader 에서 dataset을 불러오는 부분 수정하여 gpu memory oom 뮨제 해결 - 생성된 7개의 dataset에 대해 각각 batch size를 9씩 적용한 data loader로 불러와 총 63개의 batch를 만들어내는 방법 적용 - 1 epoch 당 data : 10458, batch size = 63 - 1 epoch 당 166개의 batch 학습 - pretrained = False로 설정하여 전체 레이어 학습하도록 설정 - F1 score : 0.574, Accuracy : 66.095 - data를 늘.. 공감수 0 댓글수 0 2021. 9. 3.
2021.09.01 - [Week 5] Day 3. 9월의 시작 1. 대회 진행 상황 1.1. validation 추가 - validation loss, validation accuracy 출력 1.2. under sampling & albumentations 적용 - debugging 후 다시 학습 - validation loss : 0.081, validation accuracy : 92.75 - 효과는 굉장했다! - F1 score : 0.702, Accuracy : 76.540 1.3. under sampling & combinations of albumentations 적용 - 21개의 albumentations 함수 중 2개씩 조합하여 $_{21}C_2$ = 210 가지의 augmentation 조합 생성 - 210 가지의 augmentations 조합 중.. 공감수 0 댓글수 0 2021. 9. 2.
2021.08.31 - [Week 5] Day 2. 8월의 마지막 날 1. 대회 진행 상황 1.1. albumentations 적용 - albumentations 함수 중 21개 augmentation 기법 선택 - HorizontalFlip, GaussianBlur, GaussNoise, CoarseDropout, RandomRain, MotionBlur, OpticalDistortion, RandomFog, RandomGridShuffle, RandomShadow, RandomSunFlare, Sharpen, Superpixels, CLAHE, Cutout, CoarseDropout, Downscale, Emboss, GridDistortion, GridDropout, ImageCompression - 지난 과정에서의 학습 방법을 똑같이 적용하여 생성한 21개 data.. 공감수 0 댓글수 0 2021. 9. 1.
2021.08.30 - [Week 5] Day 1. 대회 2주차 시작 1. 대회 진행 상황 1.1. 주말에 train 코드 구현해서 학습 성공 • train set과 validation set을 랜덤하게 8:2 비율로 나누어 학습 • augmentation은 resize만 적용 • F1 score : 0.675, Accuracy : 75.683 1.2. 랜덤 스플릿 적용 • data가 가장 적은 class의 데이터는 83개 • 모든 class에서 83개씩 뽑아 1494개의 data를 가진 train set만들어 학습 • 성능 하락 • F1 score : 0.671, Accuracy : 72.397 1.3. torchvision.transforms 적용 • train set의 data가 적어 여러 가지의 transform을 적용하면서 epoch 학습 • epoch 바깥에 t.. 공감수 0 댓글수 0 2021. 8. 31.
2021.08.27 - [Week 4] Day 5. 대회 1주차 마무리 공부한 내용 1. Ensemble 1.1. Ensemble : 앙상블 • 여러 model의 특성을 조합해서 더 좋은 성능의 model을 만드는 방법 • 각 model이 특성을 가지고 있을 때 효과가 있다. • model 사용 시간이 늘어나기 때문에 비효율적 • 정확도가 중요한 분야이거나 competition일 경우 많이 사용 • Deep learning은 일반적으로 overfitting이 발생하는 경향이 있다. • Ensemble 알고리즘 - Random forest : high variance에 적용하는 대표적인 알고리즘 - Begging : data sample 만들고 나누어서 각각 학습한 것을 취합 - Stacking 등 • Model Averaging (Voting) - 일반적인 방식 - 서로 다.. 공감수 0 댓글수 0 2021. 8. 27.
2021.08.26 - [Week 4] Day 4. 대회 진행 중 (3) 공부한 내용 1. Training 학습에 필요한 3가지 요소 Loss, Optimizer, Metric -> Training에 직접적인 영향 1.1. Loss • (Error) Backpropagation - loss(error)가 backward 방향으로 다른 노드의 parameter에 update - loss function, class에 따라 달라진다. - loss에 따라 backpropagation에서 parameter update 과정도 달라진다. - loss function == cost function == error function • Loss function도 nn.Module 상속 - loss도 module과 비슷하다. - loss도 forward 함수 존재 - 학습 과정에서 어떻게 연.. 공감수 0 댓글수 0 2021. 8. 27.
2021.08.25 - [Week 4] Day 3. 대회 진행 중 (2) 공부한 내용 1. Model 1.1. Model • 정의 : 시스템을 정보로써 표현하는 방식 • 딥러닝의 모델 : 어떤 변환 과정을 통해 원하는 형태의 output을 내는 시스템을 표현하는 방식 • 이미지 : 시각적인 표현의 인공물 • 이미지 분류 모델 : 이미지를 변환하여 원하는 category class로 차원을 바꾸는 시스템 1.2. PyTorch 1.2.1. PyTorch • pythonic하고, training 과정의 요소를 공부하기 좋다. • Low-level - Low-level, pythonic, flexibility, dynamic graph - 수정이 용이하고 실험할 수 있는 것이 많다. - logic 추가가 쉽다. - training process 코드를 통해 training 과정을 .. 공감수 0 댓글수 0 2021. 8. 27.
2021.08.24 - [Week 4] Day 2. 대회 진행 중 벌써 많은 캠퍼분들이 리더보드에 제출하고 계신다. 우리 팀 분들도 다 잘하고 계신 것 같다. 나는 아직 프로그래밍 스킬이나 사용법에 익숙하지 않아 더 연습이 필요하다. 그래서 수업 진도에 맞춰 따라가고 있다. 조급해하지 않는게 집중에도 좋고 정신적으로 안정이 될 것 같다. 공부한 내용 1. Dataset 1.1. Dataset 1.1.1 Dataset • 데이터를 하나씩 내보낼 수 있도록 기능 구현 • Vanilla data는 문제 해결에 바로 사용 불가 • Overview에서 정의한 문제를 바탕으로 데이터를 일반화하는 작업 필요 • 모델은 Dataset을 바탕으로 학습 • EDA를 통해 데이터를 이해하는 것이 먼저 • Data Analysis를 바탕으로 Data Pocessing에서 적용할 수 있는 방.. 공감수 0 댓글수 0 2021. 8. 25.
2021.08.23 - [Week 4] Day 1. 대회 시작 첫 번째 프로젝트인 이미지 분류 대회를 시작했다. 생소한 개발 환경이 많아 많이 낯설어 한참을 헤맸다. 많이 연습해서 빨리 적응해야겠다. 공부한 내용 1. Competition with AI Stages 1.1. P Stage • 코드로 많이 연습할 수 있는 기회 • 파이프라인의 전체적인 프로세스 경험 • U Stage에서 배운 내용 재구성 1.2. Competition • 기업에서 데이터를 플랫폼에 제시하여 문제 해결 방법을 제공받을 수 있는 수단 • Kaggle, DACON 등의 competition platform • 다양한 데이터와 다양한 문제의 competition 통해 domain의 일부를 공부할 수 있다. 1.3. Overview • Competition의 목적, 이유, 의미, 대상 등 방향.. 공감수 0 댓글수 0 2021. 8. 23.
2021.08.20 - [Week 3] Day 4. - 굉장히 하루를 알차게 보낸 느낌이다. 허투루 보낸 시간이 거의 없었던 것 같다. 멘토님과 같이 논문 리뷰를 했는데 재미있었다. 안그래도 바쁘실텐데 늦은 시간까지 오랫동안 같이 봐주셔서 정말 감사하다. 공부한 내용 1. Multi-GPU 학습 1.1. 개념 • Single vs. Multi : GPU의 수 • Node : 시스템 혹은 컴퓨터 • Single Node Single GPU : 하나의 노드(컴퓨터)에 하나의 GPU • Single Node Multi GPU : 하나의 노드에 여러 개의 GPU • Multi Node Multi GPU : 여러 개의 노드마다 여러 개의 GPU 1.2. Model parallel • 학습 분산 방법 - 모델 병렬화 : 모델 나누기 (e.g. AlexNet) - 데이터.. 공감수 0 댓글수 0 2021. 8. 21.
티스토리 프로필 사진 모양 수정 / CSS 현재 제 모습을 가장 잘 보여주는 사진으로 프로필을 바꿨습니다. 하지만 가장 중요한 정보가 잘려서 보이질 않는군여 그래서 제가 혹시나 스마트해 보일까 염려가 되어 프로필 사진 모양을 수정하게 되었습니다... 간편한 방법으로 수정이 가능합니다! 1. Class 알아내기 이전에 티스토리 사진 테두리 적용하는 방법에서 사용한 방법을 다시 이용했습니다. 2021.01.30 - [허니팁] - 티스토리 사진 테두리 적용 / imageblock 티스토리 사진 테두리 적용 / imageblock 글을 쓰면서 사진과 코드를 번갈아 작성하다보니 배경색이 비슷한 경우가 많아서 어떤게 사진이고 어떤게 코드인지 헷갈린다 그래서 사진에 테두리를 적용하면 덜 헷갈릴 것 같아 구글링 해보 bagineer.tistory.com 사용법.. 공감수 2 댓글수 1 2021. 8. 21.
2021.08.19 - [Week 3] Day 3. 긴 밤 지새우고 이번 주는 그래도 조금 재미있어지려고 하는 것 같다. 과제는 많지만 과제하면서 모델과 데이터에 대해 익히고 pytorch 사용법도 조금씩 알게 되면서 적응하려고 하는 단계인 것 같다. 과제하는데 오래 걸려서 밤새기는 했지만 재미있었다. 공부한 내용 1. 모델 불러오기 1.1. 모델 저장 • model.save() - 학습 결과 저장 - Parameter 저장 - 모델 저장시 ordered_dict 사용 - 모델 저장시 .pt 확장자 사용 권장 • load_state_dict - 같은 architecture의 모델에서 parameter만 불러올 때 사용 • torch.save(model) - 모델의 architecture도 함께 저장 - 보통 architecture는 코드로 공유 1.2. Checkpoin.. 공감수 0 댓글수 0 2021. 8. 20.
2021.08.18 - [Week 3] Day 2. 비교적 시간 여유가 있는 주가 될 줄 알았지만 전혀 아니다. 오히려 시간이 더 부족하다. 과제 양이 많은 것도 있지만 내용도 나에겐 쉽지 않다. 딥러닝 공부를 더 빨리 시작하지 못한 것이 정말 아쉽고 후회된다. 공부한 내용 1. AutoGrad & Optimizer 1.1. torch.nn.Module • Layer의 base model • Input, Output, Forward 정의 • Backward : AutoGrad 통해 자동으로 계산 • Parameter : 학습 대상 1.2. nn.Parameter • Tensor 객체 상속 • Weight값 저장 • required_grad = True : AutoGrad의 대상 1.3. Backward • Parameter들의 미분 수행 • Loss(y_.. 공감수 0 댓글수 0 2021. 8. 19.
2021.08.17 - [Week 3] Day 1. 거북이 복습을 통해 몰랐던 것들을 다시 정리하게 되었고 내용의 흐름을 파악할 수 있었다. 하지만 어려운 내용이 계속 쌓이다 보니 아직 갈 길이 멀다. 그래도 조금씩 가까워지는 것 같기도 하다... 공부한 내용 1. Pytorch 1.1. PyTorch 사용 이유 1.2. PyTorch vs. TensorFlow - PyTorch : Dynamic Computation Graph (Define by run) - TensorFlow : Define and run 1.3. PyTorch 장점 - GPU support - Good API and community 1.4. PyTorch = Numpy + AutoGrad + Function - Numpy : numpy와 유사하여 numpy 연산 대부분 사용 가능 - Au.. 공감수 0 댓글수 0 2021. 8. 18.
2021.08.13 - [Week 2] Day 5. 나는 멍청이다. 나는 멍청이다. 나는 멍청이다. Transformer에 이어 Generative model 강의는 정말 환상적이었다. 어려운 내용에 더해 영어가 반이라 강의만 한참을 봤다. 복습 열심히 해야겠다. 휴일이 많아서 정말 다행이다. 공부한 내용 1. Generative Model 1.1. generative model의 의미 1.2. Explicit model and Implicit model의 개념 1.3. Basic Discrete Distributions - Bernoulli distribution - Categorical distribution - Number of cases, Number of parameters - Example of binary pixels 1.4. Structure Through Independence - In.. 공감수 0 댓글수 0 2021. 8. 13.
2021.08.12 - [Week 2] Day 4. 좌절기간 CNN, RNN을 배우고 Transformer를 배우면서 안그래도 헷갈려서 어려웠는데 점점 더 어려워진다... 월요일까지 휴일이 있으니 주말동안 기본 내용 열심히 공부해서 DL Basic도 빨리 복습할 수 있도록 해야겠다. 공부한 내용 1. RNN 1) Sequential Model - Naive sequential model - Autoregressive model - Markov model (first-order autoregressive model) - Latent autoregressive model 2) RNN : Recurrent Neural Network - short-term dependencies - long-term dependencies - vanilla RNN 3) LSTM : Lo.. 공감수 0 댓글수 0 2021. 8. 13.
2021.08.11 - [Week 2] Day 3. 적응기간(3) 멘토님과 처음 만났다. 인상 좋으시고 친절하게 잘 설명해주신다. 많은 도움을 주실 것 같아 다행이다. 기초가 부족하기 때문에 김성훈 교수님의 강의가 도움이 될 것이라고 하셔서 프리코스 강의 복습 후 모두를 위한 딥러닝까지 복습해야겠다. 다른 분들은 다 많이 아시고 잘 하시는 것 같고 나만 너무 뒤쳐져있다. 갈 길이 너무 멀어 보이지만 최대한 열심히 해야겠다. 공부한 내용 1. CNN - convolution 연산 - CNN 구조 - stride and padding - convolution filter의 dimension - convolution filter 적용 후 dimension과 채널 수 - convolution kernel의 parameter 수 계산 - CNN model의 parameter 수.. 공감수 0 댓글수 0 2021. 8. 11.
2021.08.10 - [Week 2] Day 2. 적응기간(2) 강의는 갈수록 어렵고 아직 이해하지 못한 부분은 많고.. 막히는 부분이 계속 늘어나는 것 같다. 최대한 기본을 충실히 하고 계속 복습해서 익숙해져야겠다. 공부한 내용 1. Optimizer 1-1. 최적화에서 사용하는 용어 : Gradient Descent, Generalization, Overfitting, Underfitting, Cross-validation, Bias, Variance, Bootstrapping, Bagging, Boosting 1-2. Optimizer 종류 : Gradient Descent, Momentum, NAG (Nesterov Accelerated Gradient), Adagrad, Adadelta, RMSprop, Adam 1-3. Regularization : Ear.. 공감수 0 댓글수 0 2021. 8. 10.
2021.08.09 - [Week 2] Day 1. 적응기간 준비하지 못하고 맞닥뜨린 교육과정에 첫 주부터 애를 먹었다. 남들보다 부족한데 시작까지 늦은 만큼 더 열심히 노력해야겠다. 공부한 내용 1. DL Basic 1, 2 2. Data Visualization 1-1, 1-2, 1-3 3. 과제 : MLP Assignment, Assignment_5(미완) 4. MLP 과제에서 Softmax 함수 구문이 빠져있는 이유 : nn.CrossEntropyLoss()가 cross entropy와 softmax 연산을 합친 클래스이다. https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html 내일 할 일 1. 피어세션에서 공부할 주제 생각해보기 2. 선택과제 ViT, AAE, MDN 살펴보고 피.. 공감수 0 댓글수 0 2021. 8. 9.
2021 상반기 종료 시간이 어떻게 지나갔는지도 모르게 금방 지나갔다.. 처음 취업을 준비하고, 학교도 너무 여유 없게 다녀서 충분히 공부하고 경험할 수 있는 기회가 부족했다. 역시나 예상대로 취업의 문턱은 높았다. 현실로 닥치니 더 많은 공부를 할 수 없었던 것이 너무 아쉽다. 그래도 다행인 것은 시작 전에는 막막했던 것이 한 번 경험해보니 갈피가 잡혔다는 것! 어떤 방향으로 준비해야 할 지 감은 잡은 것 같다. AI 면접 빼고.. AI 면접은 정말 이질감이 느껴졌다. 아무튼 부스트캠프 지원을 마지막으로 상반기 지원은 끝~ 코딩 테스트를 급하게 준비하면서 자소서 쓰고 이런 저런 일까지 하다보니 공부한 내용 정리할 시간이 없었다. 너무 방치하면 다시 까먹을테니 부스트캠프 코딩 테스트를 보게 된다면 끝나고 다시 업로드 해야겠다.. 공감수 0 댓글수 0 2021. 6. 13.
[백준] 1236. 성 지키기 문제 영식이는 직사각형 모양의 성을 가지고 있다. 성의 1층은 몇 명의 경비원에 의해서 보호되고 있다. 영식이는 모든 행과 모든 열에 한 명 이상의 경비원이 있으면 좋겠다고 생각했다. 성의 크기와 경비원이 어디있는지 주어졌을 때, 몇 명의 경비원을 최소로 추가해야 영식이를 만족시키는지 구하는 프로그램을 작성하시오. 입력 첫째 줄에 성의 세로 크기 N과 가로 크기 M이 주어진다. N과 M은 50보다 작거나 같은 자연수이다. 둘째 줄부터 N개의 줄에는 성의 상태가 주어진다. 성의 상태는 .은 빈칸, X는 경비원이 있는 칸이다. 출력 첫째 줄에 추가해야 하는 경비원의 최솟값을 출력한다. 주어진 상태에서 모든 행과 열에 X가 포함되게 만들기 위한 최소한의 X의 수를 구하는 문제이다. 예제 입출력은 다음과 같다... 공감수 0 댓글수 0 2021. 4. 15.
[백준] 1668. 트로피 진열 문제 민식이는 “오민식”이라는 팀이름으로 수없이 많은 로봇대회를 우승했다. 따라서 민식이의 집에는 트로피가 많다. 민식이는 트로피를 어떤 선반 위에 올려놨다. 이 선반은 민식이의 방문을 열고 들어가자마자 선반의 왼쪽이 보인다. 다른말로 하자면, 뒤의 트로피가 앞의 트로피에 가려져 있다는 말이다. 안타깝게도, 높이가 큰 트로피가 높이가 작은 트로피의 왼쪽에 있다면, 높이가 작은 트로피는 큰 트로피에 가려서 보이지 않게 된다. 트로피는 자기의 앞에 (보는 사람의 관점에서) 자기보다 높이가 작은 트로피가 있을 때만 보이게 된다. 민식이는 선반을 180도 회전시켜서 트로피가 보이는 개수를 변하게 할 수도 있다. 선반위에 올려져 있는 트로피의 높이가 주어졌을 때, 왼쪽에서 봤을 때 보이는 개수와, 오른쪽에서 봤을.. 공감수 0 댓글수 0 2021. 4. 15.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.