With The Lights Out

Gate 게이트 하나 컨트롤 Multigate 여러 개의 출구 컨트롤 Do once 한번만 실행 DoN N번 실행 Enum 열거형으로 변수 사용 가능.

사칙연산 주의점 - 타 언어와 같이 정수 / 정수 나눗셈 주의. 이하생략 문자열 포맷 -formattext 로 사용 가능. 직관적이다. 디버그 - F9로 중단점 설정 가능, F10으로 단계별 이동 (비주얼과 동일) - 블루프린트에서 각 노드의 변수에 커서를 둬서 값 확인 가능 논리연산 - 타 언어와 동일. 흐름 제어 - 시퀀스 노드 0 , 1 (0번 시퀀스가 모두 실행되면 1번 시퀀스가 실행됌.) - FlipFlop A, B 를 반복적으로 실행. (A, B, A, B, A, B) Min, Max 노드 를 사용해서 더 단순하게 사용 가능하다. Min 도 동일. Clamp 를 사용하면 브랜치와 Min, Max 노드를 사용하지 않고 통합해서 사용 가능하다. 2일차 후기 - 기본 C++ 문법을 블루프린트로 실습..

2023-07-12 언리얼엔진 공부 시작 (인프런 - Rookies 언리얼 엔진 강의) 게임의 구성요소 1. 데이터 - 컴퓨터에게 알려주는 게임 세상의 요소 (램에 저장됌) 2. 로직 - 데이터 연산을 담당 일반적으로는 불리언 변수 앞에는 b를 붙임. ex) bSound 변수는 대문자로 시작. DOUBLE PRECISION 데이터 타입은 2배의 정밀도를 갖는 부동 소수점 숫자를 갖는다. 정밀도는 자동으로 FLOAT의 정밀도보다 높은데, 허용되는 값의 범위는 FLOAT에서와 마찬가지로 사용되고 있는 시스템에 따라 다를 수 있다. Name - 상수형 명시 타입 / 용량 적게 차지함 Text - 언어 로컬라이제이션 에 좋음 String - 그냥 문자열 / 플레이어 이름 get / set - 일반적인 get s..

데이터셋 불러오기 import os import urllib.request TITANIC_PATH = os.path.join("datasets", "titanic") DOWNLOAD_URL = "https://raw.githubusercontent.com/rickiepark/handson-ml2/master/datasets/titanic/" def fetch_titanic_data(url=DOWNLOAD_URL, path=TITANIC_PATH): if not os.path.isdir(path): # 우선 디렉터리가 있는지 확인 os.makedirs(path) # 디렉터리가 없으므로 생성 for filename in ("train.csv", "test.csv"): filepath = os.path.joi..

2. MNIST 이미지를 어느 방향으로든 한 픽셀 이동시킬 수 있는 함수를 만들어보세요. 그런 다음 훈련 세트에 있는 각 이미지에 대해 네 개의 이동된 복사본(방향마다 한 개씩) 을 만들어 훈련 세트에 추가하세요. 마지막으로 이 확장된 데이터셋에서 앞에서 찾은 최선의 모델을 훈련시키고 테스트 세트에서 정확도를 측정해보세요. 모델 성능이 더 높아졌는지 확인해보세요! 인위적으로 훈련 세트를 늘리는 이 기법을 데이터 증식 또는 훈련 세트 확장 이라고 합니다. #사용할 데이터셋과 모델 임포트 from sklearn.datasets import fetch_openml from sklearn.model_selection import GridSearchCV from sklearn.neighbors import KNe..

[1번] MNIST 데이터셋으로 분류기를 만들어 테스트 세트에서 97%의 정확도를 달성해보세요. (힌트 : KNeighborsClassifier 가 이 작업에 아주 잘 맞습니다. 좋은 하이퍼파라미터 값만 찾으면 됩니다. (wieghts와 n_neighbors 하이퍼파라미터로 그리드 탐색을 시도해보세요).) #사용할 데이터셋과 모델 임포트 from sklearn.datasets import fetch_openml from sklearn.model_selection import GridSearchCV from sklearn.neighbors import KNeighborsClassifier #넘파이 임포트 import numpy as np mnist = fetch_openml('mnist_784', vers..

항상 같을 수가 없다는 건 인지하고 있지만 알면 좋을 것 같기에 저장용으로 올려둠. 노트: 이 출력(그리고 이 노트북과 다른 노트북의 출력)이 책의 내용과 조금 다를 수 있습니다. 걱정할 필요 없습니다. 괜찮습니다! 달라지는 이유가 몇가지 있습니다: 첫째, 사이킷런과 다른 라이브러리들이 발전하면서 알고리즘이 조금씩 변경되기 때문에 얻어지는 결괏값이 바뀔 수 있습니다. 최신 사이킷런 버전을 사용한다면(일반적으로 권장됩니다) 책이나 이 노트북을 만들 때 사용한 버전과 다를 것이므로 차이가 납니다. 노트북은 최신으로 업데이트하려고 노력하지만 책의 내용은 그렇게 할 수 없습니다. 둘째, 많은 훈련 알고리즘은 확률적입니다. 즉 무작위성에 의존합니다. 이론적으로 의사 난수를 생성하도록 난순 생성기에 시드 값을 지정..

정밀도란? - 양성 예측의 정확도 - TP / (TP + FP) - 진짜 양성의 수 / ( 진짜 양성의 수 + 거짓 양성의 수) ex) 이진 분류에서 실제 사과가 5개 있고 사과와 비슷한 과일이 5개 있다고 했을 때, 모델이 실제 사과가 7개가 있다고 예측했다고 가정하자. 그러면 진짜 양성의 수는 5개, 거짓 양성의 수는 2개이므로 정확도는 5 / 5+2 로 5/7 이다. 재현율이란? - 분류기가 정확하게 감지한 양성 샘플의 비율 - TP / (TP + FN) - 진짜 양성의 수 / ( 진짜 양성의 수 + 거짓 음성의 수) #거짓 음성의 수란 진짜 양성임에도 음성으로 분류한 수를 말함 ex) 정밀도의 예제와 같은 상황에서, 모델이 실제 사과가 4개가 있다고 예측했다고 가정하자. 이때 진짜 양성의 수는 5..

혼공머신에서 공부한 그리드서치(교차검증), 개념은 같지만 사용방법이 다르고 중요한건 매개변수의 정확한 뜻이 기억이 잘 안나서ㅠ 다시 기록해놓았다. from sklearn.model_selection import GridSearchCV param_grid = [ # 12(=3 X 4)개의 하이퍼 파라미터 조합을 시도합니다. {'n_estimators':[3, 10, 30], 'max_features': [2, 4, 6, 8]}, # bootstrap은 false로 하고 6(=2 X 3)개의 조합을 시도합니다. {'bootstrap': [False], 'n_estimators': [3, 10], 'max_features': [2, 3, 4]}, ] forest_reg = RandomForestRegresso..

#define _CRT_SECURE_NO_WARNINGS #include #define mod 10007 int main() { int N; scanf("%d", &N); int dp[1001][10] = { 0, }; for (int i = 0; i < 10; i++) dp[1][i] = 1; for (int i = 2; i