bigkite

구현 : ‘ 머릿속에 있는 알고리즘을 소스코드로 바꾸는 과정’ → 결국 모든 범위의 코딩테스트 문제 유형을 포함하는 개념! ⁂ 풀이를 떠올리는 것은 쉽지만 소스코드로 옮기기 어려운 문제! 피지컬이 중요! ex) 크게 2가지 유형으로 나눌 수 있음 완전 탐색 모든 경우의 수를 주저 없이 다 계산하는 해결 방법 시뮬레이션 문제에서 제시한 알고리즘을 한단계씩 차례대로 직접 수행해야 하는 문제 구현 시 고려해야 할 메모리 제약 사항 파이썬에서는 프로그래머가 직접 자료형을 지정할 필요X 매우 큰 수의 연산 또한 기본으로 지원 but, 실수형 변수는 다른 언어와 마찬가지로 유효 숫자에 따라 연산 결과가 원하는 값이 나오지 않을 수 있음! 파이썬에서 리스트 크기 리스트 이용시 코딩테스트의 메모리 제한을 고려해야 함!..

메모리 공간을 약간 더 사용하면 연산 속도를 비약적으로 증가시킬 수 있는 방법 보텀업 방식과 탑다운 방식 2가지로 나눌 수 있음! Top-Down 방식 큰 문제를 해결하기 위해 작은 문제를 호출 재귀함수 이용 메모이제이션 Bottom-Up 방식 작은 문제부터 차근차근 답을 도출 반복문을 이용해 소스코드를 작성 DP 테이블 🤓 ⭐ 다음 조건을 만족할 때, DP를 사용할 수 있다! 큰 문제를 작은 문제로 나눌 수 있다. 작은 문제에서 구한 정답은 그것을 포함하는 큰 문제에서도 동일하다 문제풀이 단계! 다이나믹 프로그래밍 유형임을 파악 - 완전 탐색 알고리즘으로 접근했을 때, 시간이 매우 오래 걸리면 다이나믹 프로그래밍을 적용할 수 있는지 확인해보기! 재귀함수로 비효율적인 프로그램 작성한 뒤, 메모이제이션을 ..

- 기존 추천 시스템 Model - Sequential Recommendation - GRU4Rec - SASRec - BERT4Rec 기존 추천시스템 Model ( Contents- Based, Collaborative Filtering....) 사용자의 과거 item 선택 정보가 동일하게 중요하다는 기본 가정에서 출발 → 주로 선택하던 아이템과 다른 아이템이 등장할 경우, 이에 대한 설명이 부족하고, 사용자가 주로 선택하던 item만을 추천한다는 단점이 있음 → 시간의 정보를 반영해주지 않음, 구매의 순서, 시기를 무시한다는 단점 그러나, 일반적으로 상품 구매 패턴에는 구매 순서, 시기가 반영됨! 또한, 유저의 선호도는 끊임없이 변화할 수 있으며, 과거 구매 정보가 '동일하게' 중요하다기 보다는 최근..

Intro Collaborative Filtering 은 크게 봤을 때 neighborhood method와 latent factor models 2가지로 나눌 수 있음 neighborhood method는 user들 끼리 or item 끼리 유사도를 측정해서 유사한 선호도를 가지는 item의 추천을 진행하는 방식이었다면, latent factor model은 관찰된 데이터 속에서 잠재되어 있는 유저와 아이템의 특성을 뽑아내서 유사한 정도를 파악하고 추천을 진행하는 방식이라고 볼 수 있음! Matrix Factorization 행렬 분해 Interaction Matrix ( 상호작용 행렬 ) 각 유저가 아이템에 대해 매긴 평점, 혹은 구매/클릭 여부를 나타낸 행렬 → 유저의 직접적/간접적인 선호가 드러나..