본문 바로가기

분류 전체보기

(116)

BOJ2628 : 종이자르기 (Silver 5) #include #include #include #include using namespace std; int main() { int a, b; int linenum; int line_a[10000] = { 0, }; int line_b[10000] = { 0, }; int acount = 0, bcount = 0; int tmp = 0; cin >> a >> b; cin >> linenum; for (int i = 0; i > tmp; if (tmp == 1) { cin >> line_a[acount]; acount++; } else { cin >> line_b[bcount]; bcount++; } } // cout

BOJ2456 : 나는 학급회장이다 (Bronze1) #include #include #include #include using namespace std; int main() { int N; int score[1000][3]; cin >> N; int total[3][3] = {0}; for (int i = 0; i > score[i][0] >> score[i][1] >> score[i][2]; if (score[i][0] == 1) total[0][0]++; if (score[i][0] == 2) total[0][1]++; if (score[i][0] == 3) total[0][2]++; if (score[i][1] == 1) total[1][0]++; if (score[i][1] == 2) total[1][1]++; if ..

[인공지능] 17. Making Sequential Decisions 1. Markov Decision Process 1) Episodic Decisions - nondeterministic, partially observable한 상황에서는 다음 state를 확신할 수 없다. 따라서 observations e가 주어졌을 때 outcome은 outcome s'가 맞을 때의 확률로 나타낼 수 있다. P(Result(a) = s' | a, e) - Utility function U(s)는 각 state의 좋은 정도를 나타내는 하나의 숫자이다. 주어진 evidence에서 어떤 action을 취했을 때의 expected utility 값은, 그 action을 취했을 때 나오는 outcome의 average utility value값이다. EU(a | e) = ∑(s') P(Res..

[인공지능] 16. Hidden Markov Models (HMM) 1. Definition of Hidden Markov Model : 시간의 개념이 포함된 확률 모델 - single discrete random variable로 이루어져 있는 probabilistic model. - state variable Xt 는 정수 1, ... , S를 가질 수 있으며, S는 가능한 states의 수이다. - transition model P(Xt|Xt-1) 은 S*S의 matrix T이다. (T_ij = P(Xt = j | X_t-1 = i) - evidence variable Et는 각 state에서 specify하고, 각 state i에서 P(et | Xt = i) 를 통해 state가 et를 야기하는지에 대해 알 수 있다. 이 value는 편의상 S*S의 diagona..

[인공지능] 15. Probabilistic Reasoning over Time (PRoT) 1. Introduction - 세상을 몇 개의 observable 하거나 그렇지 않은 random variables을 포함하고 있는 어떤 snapshot 또는 time slices의 집합이라고 생각하자. - Xt : state variables at time t , 시간이 t일 때의 state variable들의 집합. 관측할 수 없는, 그 값을 알 수 없는 variable이다. - Et : evidence variables, 관측할 수 있는, 알 수 있는 variable - transition model : state이 어떻게 변하는지 정의한다. 예를 들어 t-1 일 때 state이 X일 때, 다음 state이 X 일 확률 - sensor model : evidence variable이 값이 어떻게 ..

[인공지능] 14. Bayesian Networks 1. Definition of Bayesian Networks 1) Bayesian networks (= belief networks, Bayesian belief networks, graphical models) - Directed graph임 - Nodes (= Random variable)와 Links 로 구성됨 - node X로부터 node Y로의 links로 이루어진 directed acyclic graph(DAG) - X는 causes, Y는 effects - Conditional probability distribution P(Xi | Parents(Xi) ) : Xi 의 부모 노드들이 발생할 때 Xi가 발생할 확률 즉 ~가 발생할 때의 확률을 트리처럼..? 그래프로 나타냄 2) Condit..

[인공지능] 13. Probability and Statistics 1. Review of Probabilities and Statics 1) Elements of Probability - Random experiment : 시행, Nondeterministic - Sample space : 전체집합 요소들. Mutually exclusive(배반사건)이고 exhaustive(합집합 = 전체집합) 이다. - Events : 사건, Sample space의 부분집합 - Probability : 확률. the proportion, or relative frequency (비율, 상대적 빈도수) / degree of belief (기댓값) 2) Axioms of Probability Theory - 확률은 0과 1 사이임 - Sample space의 모든 확률을 더하면 1 -..

[이산수학] Chapter 1. Logic and proofs 1. Propositions : 명제 - 만약 p, q가 명제라면, connective를 이용해 새로운 compound proposition을 만들 수 있다. (conjunction AND, inclusive disjunction OR, exclusive disjunction OR(XOR), negation, implication, double implication) 2. Conditional propositions(조건명제) and logical equivalence(동치) - conditional proposition : p->q "if p then q", "p only if q" p : 가정, 충분조건 / q : 결론, 필요조건 - logically equivalent (converse(역), co..

[이산수학] Chapter 6. Counting methods and the pigeonhole principle 1. Basic Principles - Menu for Quick Lunch : 점심 메뉴를 고르는 경우의 수 1) Multiplication Principle(곱셈법칙) : k개의 연속적인 행동이 있을 때, 이 행동을 수행하는 경우의 수는 n1n2...nk ex) 8 bit string 에서 101이나 111로 시작하는 것의 개수 : 2^5 * 2 2) Addition Principle (덧셈법칙) nj개의 elements를 가지고 있는 k개의 pairwise disjoint sets가 있을 때, 이 sets의 결합 X = ∪Xj 는 n1 + n2+...+ nk의 elements를 가진다. 2. Permutations and Combinations (순열과 조합) 1) Permutation : 순열 (..

[이산수학] Chapter 5. Introduction to Number Theory 1. Divisors 1) - d가 n을 나누어 떨어지게 할 때, 즉 n=dq를 만족하는 integer q가 존재할 때, d divides n이라고 말한다. - 이 때 q를 quotient, d를 divisor 또는 n의 factor라고 부른다. - d divides n일 때 d|n으로 쓴다. Theorem 5.1.3 m, n, d를 정수라고 하자. 만약 d|m이고 d|n이면 d|(m±n)이다. 또한 d|m이면 d|mn이다. proof : d|m이고 d|n이면 m=dq, n=dq' 라고 쓸 수 있다. m+n = dq + dq' = d(q+q')이다. 따라서 d|(m+n) 이다. 2) Prime and Composite - Prime : 소수 - Composite : 합성수 composition은 2와 루..

이전 1 ··· 4 5 6 7 8 9 10 ··· 12 다음

티스토리툴바