JK_korea

PriorityQueue

http://hannom.tistory.com/36

이진 트리가 아닌 트리는 잘 출제X

이진트리가 주어지면, 이진 탐색 트리인지 확인.

이진 탐색 트리

Breadth first search, depth first search 정도는 알아두자. -> 암기

Tree의 balance를 맞춰주는 구현은 출제 빈도가 낮다.

균형잡힌 트리인 경우에 검색시간은 O(logn) 이다.

balance가 맞는 상태는 모든 노드의 자식들의 높이 차이가 2이상 나지않는것

그래프와 트리의 차이

트리는 그래프인데 그래프 중 사이클이 허용X

출제의 대부분은 그래프내에서의 탐색 문제

방향성이 있는 그래프인지 모호한 경우, 질문해야함.

Java에서 Queue는 interface.

따라서, Queue q = new LinkedList(); (O)

    Queue q = new Queue(); (X)

Try Catch 를 고려하지않고 문제에 집중할수있게 offer(), poll(), peek()를 쓰는것이 좋다.

딥러닝 기반 침수 수위 예측: 미국 텍사스 트리니티강 사례 연구

간단한 요약 정리

RNN을 이용하여 홍수 피해 방지를 위한 침수 예측.

강의 수위 관측 데이터 사용.

학습 2013~2015, 평가 2016

input = 16레코드로 구성된 15분단위의 시계열 데이터

output = 30분과 60분 후의 강의 수위 예측 정보

딥러닝 모델 = RNN, RNN-BPTT, LSTM

LSTM의 NE(Nash Efficiency)가 0.98의 정확도

의견

딥러닝을 활용하여 홍수 피해 방지라는 문제를 해결하려는 참신한 시도.

또한, LSTM의 메모리 셀과 활성화 함수를 수식을 이용한 표현.

RNN모델의 문제점 중 하나인 VG(Vanishing Gradient)를 해결하기 위해 LSTM을 사용하였고

그에 따른 설명이 잘 되어있다.

RNN은 재귀적인 방법으로 되어서 초기의 W의 값에 따라서 발산하거나 0이 될수도있는데

LSTM에서는 메모리셀을 둬서 이전의 W값을 따로 학습시켜 초기 W의 민감도를 낮춰 VG문제가 발생하지 않게 함.

배운점

레퍼런스가 잘 되어있고 그래프를 통한 결과의 시각화가 잘 되어있다.

RNN-BPTT와 NE의 개념에 대한 공부 필요~!

출처

http://www.dbpia.co.kr/Journal/ArticleDetail/NODE07181181