오늘의 문제 2437. 저울(골드2) 키워드 그리디, 정렬 나의 풀이 N = int(input()) weights = list(map(int, input().split())) weights.sort() sum_weight = 0 for i in range(N) : if sum_weight + 1 >= weights[i] : ...
[TIL] 99클럽 코테 스터디 6기 8일차 TIL - [정규표현식] 한국이 그리울 땐 서버에 접속하지
오늘의 문제 9996. 한국이 그리울 땐 서버에 접속하지(실버3) 키워드 문자열, 정규표현식 나의 풀이 ## 더 간단하게 수정 N = int(input()) prefix, suffix = input().split('*') for _ in range(N): filename = input() print("DA" if len(fi...
[TIL] 99클럽 코테 스터디 6기 7일차 TIL - [스택] 쇠 막대기
오늘의 문제 10799. 쇠 막대기(실버2) 키워드 자료구조, 스택 나의 풀이 brackets = input() stack = [] count = 0 for i in range(len(brackets)) : if brackets[i] == '(' : stack.append(brackets[i]) els...
[TIL] 99클럽 코테 스터디 6기 6일차 TIL - [BFS/DFS] 섬의 개수
오늘의 문제 4963. 섬의 개수(실버2) 키워드 그래프, BFS/DFS 나의 풀이 회고
[TIL] 99클럽 코테 스터디 6기 5일차 TIL - 수열(슬라이딩 윈도우)
오늘의 문제 2559. 수열(실버1) 키워드 누적 합, 두 포인터, 슬라이딩 윈도우 나의 풀이 ## 수정 후 정답(슬라이딩 윈도우 사용) N, K = map(int, input().split()) arr = list(map(int, input().split())) # 초기 윈도우 합 window_sum = sum(arr[:K]) max_...
[TIL] 99클럽 코테 스터디 6기 4일차 TIL - [그래프] 안전 영역
오늘의 문제 2468. 안전 영역(실버1) 키워드 그래프, 완전탐색, BFS/DFS, Brute force 나의 풀이 N, M = map(int, input().split()) r, c, d = map(int, input().split()) grid = [input().split() for _ in range(N)] print(grid) ...
[TIL] 99클럽 코테 스터디 6기 3일차 TIL - [배열] 바탕화면 정리
오늘의 문제 바탕화면 정리(lv1) 키워드 나의 풀이 def solution(wallpaper): rdx = rdy = 0 first = True ## 초기값 설정 for i in range(len(wallpaper)) : for j in range(len(wallpaper[0])) :...
[TIL] 99클럽 코테 스터디 6기 2일차 TIL - [DP] 피보나치 수열
오늘의 문제 14495. 피보나치 비스무리한 수열(실버4) 키워드 다이나믹 프로그래밍, 피보나치 수열 나의 풀이 n = int(input()) d = [0]*117 ## n의 범위(1 이상, 116 이하) d[1] = d[2] = d[3] = 1 ## f(1)=f(2)=f(3) = 1 for i in range(4, n+1): d...
[TIL] 99클럽 코테 스터디 6기 1일차 TIL - 에라토스테네스의 체
오늘의 문제 1929. 소수 구기(실버3) 키워드 소수 구하기, 에라토스테네스의 체 나의 풀이 M, N = map(int, input().split()) ## 수정 후 정답 for i in range(M, N+1): ## 소수 검사 if i >= 2 : for j in range(2, int(i ** 0...
[LG Aimers] 딥러닝 기초 3. 과적합 실습(Python)
LG Aimers 5기 AI 실습 교육 수강 내용을 정리합니다. 모든 자료는 교육 플랫폼 앨리스로부터 제공받았습니다. [ 과적합(Overfitting) ] 과적합(Overfitting)이란? 모델이 학습 데이터에만 너무 치중되어 학습 데이터에 대한 예측 성능은 좋지만 테스트 데이터에 대해서는 성능이 떨어지는 경우(=일반화되지 않은 모델...