pseudo code는 프로그램 코드 작성 시 사용하기 위해 프로그램의 진행 과정을 단계별로 기록해 놓은 것 가짜 코드 ! 알고리즘이 수행될 내용을 인간의 언어(한국어 / 영어 등)로 간략히 설명 왜 사용할까? 나중에 그 프로그램 코드를 읽고 디버깅을 하거나 내용을 수정해야 하는 개발자에게 도움을 줄 수도 있음. 컴퓨터 프로그램 알고리즘이 어떻게 실행되어야 할지, 또는 어떻게 실행될 수 있을지 보여줄 수 있음. 나중에 코드입력, 테스트, 디버그 수정 단계에서 작업하는 것보다 의사코드 설계 단계에서 미리 오류를 수정을 하는 것이 훨씬 경제적. 프로그램의 문제를 해결하기 위한 도구로, 또는 다른 사람들과 프로그램의 흐름에 대해 소통하기 위한 방법으로 활용 실제 코딩하기 전 사고를 좀더 명확히 정립하게 만들어..

※ 관계형 데이터 베이스 실전 입문 (오쿠노 미키야 (지은이),성창규 (옮긴이), 위키북스) 을 참조해 공부한 내용입니다. ※ SQL 릴레이션 조작 SQL과 관계형모델은 차이도, 대응하는 부분도 많다. SELECT -> RDB의 핵심이라고 할 수 있다. SQL에서의 유일한 데이터 조회 명령어로, '질의'기능을 전부 포함한다. -> 강력하고 유연하며 다양하게 응용된다 INSERT (삽입, 갱신처리) -> 릴레이션 갱신은 불가능 왜냐하면 릴레이션은 '값'이기 때문이다. -> 아무리 많은 '요소'가 있어도 하나의 '값'이기 때문에 의미는 갱신될 수 없다. -> INSERT는 행을 추가한다. 관계형 모델 : 릴레이션을 저장하는 변수인 Relvar(Relation Variable) 존재 SQL의 테이블 갱신처리 ..

NULL이 존재한다는건 관계형 모델이 성립하지 않는다는 것을 뜻한다. 왜냐? NULL값 존재 = 모르는 값 존재 = 릴레이션 연산 결과가 항상 같지 않을 수 있다 Closure라는 성질 릴레이션들은 연산 결과도 릴레이션이다. 연산의 입출력이 같은 데이터구조임을 뜻한다. 이것이 closure 성질 관계형 모델 데이터 형식 SQL의 데이터 형식 -> INT, CHAR, VARCHAR, ... 관계형 모델의 데이터 형식? -> 어떤 데이터 형식을 사용해야할지 결정하지 않는다. 모델일 뿐. 모델이라는 것은 어떻게 사용할 수 있는지는 정해져있지만 '어떻게' 사용해야한다는 것은 응용프로그램이 정하는 것 데이터 형식 & 변수 도메인 변수에 대입할 수 있는 값 -> 범위가 한정되어 있음. (컴퓨터가 표현할 수 있는 한..

※ 관계형 데이터 베이스 실전 입문 (오쿠노 미키야 (지은이),성창규 (옮긴이), 위키북스) 을 참조해 공부한 내용입니다. ※ 데이터는 연산 / 세트로 사용될 때 의미가 있다. 데이터 = 릴레이션 연산 = 쿼리 라고 할 수 있음 릴레이션은 튜플의 집합이기 때문에 연산 또한 집합론 바탕이지만 튜플들이 같은 구조/이름/데이터형을 가지므로 관계형 모델 특유의 연산이 가능하다. 1. 제한(Restrict) : 특정 조건에 맞는 튜플을 포함하는 릴레이션을 반환한다. (릴레이션의 부분집합) 2. 프로젝션(Projection) : 특정 속성만 포함하는 릴레이션을 반환한다. 주의할 것은 속성이 적어지면 중복이 발생할 가능성이 높아진다는 것이다. 3. 확장 (Extend) : 속성을 늘리는 동작이다. ex) 인구, 면적..

※ 관계형 데이터 베이스 실전 입문 (오쿠노 미키야 (지은이),성창규 (옮긴이), 위키북스) 을 참조해 공부한 내용입니다. ※ 관계형 모델 ≠ ERD(Entity Relation Diagram 개체-관계 모델) 데이터 모델은 설계가 아니라 데이터를 어떻게 표현할 것인지에 대한 '개념'이라는 것을 명심해야 한다. 관계형 모델 이외의 데이터 모델의 예로는 KVS가 있다(Key-Value Store) 릴레이션(관계) ≠ 테이블 사이의 관계 릴레이션 = 테이블 이라고 할 수 있다. 릴레이션 = 집합 -> 이 말의 뜻은 요소로는 어떤 것이든 괜찮지만, 충족해야할 조건이 존재함을 의미한다. 1. 어떤 요소가 집합에 포함되어 있는지 불확정한 요소 없이 판정할 수 있어야 한다. 2. 집합의 요소가 중복되지 않아야 한다..

Abstract Image-to-Image translation은 vision과 graphics 문제 중 하나. 목적은 input 이미지와 output이미지를 mapping하는 것을 학습하는 것. 정렬된 이미지 쌍의 training set을 사용하여. 많은 tasks에서 paired training data는 사용 불가 paired examples없이 X→Y 변환하는 것을 배우는 접근법을 제시 mapping G: X→Y 매핑을 배우는 것이 목표. G(x)의 분포가 Y와 구분 불가능 하도록 → adversarial loss를 이용하여 왜? 이 mapping은 매우 under-contrained(? 제약이 심하다?)하기 때문에 우리는 이것을 inverse mapping F: Y→X로 짝짓고 cycle con..