티스토리

쥬코딩

검색하기

블로그 홈

쥬코딩

jicoding.tistory.com/m

프로그래밍

구독자: 3

방명록 방문하기

728x90

주요 글 목록

react-native-gifted-chat을 사용하여 chat app 기본 화면 구성하기 https://github.com/FaridSafi/react-native-gifted-chat GitHub - FaridSafi/react-native-gifted-chat: 💬 The most complete chat UI for React Native💬 The most complete chat UI for React Native. Contribute to FaridSafi/react-native-gifted-chat development by creating an account on GitHub.github.com https://blog.logrocket.com/build-chat-app-react-native-gifted-chat/ Build a chat app with react-native.. 공감수 3 댓글수 6 2024. 8. 30.
라이브러리 취약점(CVE) 검색 사이트 1. CVEdetails.comhttps://www.cvedetails.com/ CVE security vulnerability database. Security vulnerabilities, exploits, references and moreCVEDetails.com is a vulnerability intelligence solution providing CVE security vulnerability database, exploits, advisories, product and CVE risk scores, attack surface intelligence, open source vulnerabilities, code changes, vulnerabilities affecting yourwww.c.. 공감수 0 댓글수 0 2024. 8. 21.
Microsoft SBOM Tool로 SBOM 생성하기 Microsoft SBOM Tool이란구성 요소 탐지 라이브러리를 사용하여 구성 요소를 탐지하고 ClearDefined API를 사용하여 이러한 구성 요소에 대한 라이센스 정보를 채운다.아래의 링크를 통해 MS SBOM Tool을 설치할 수 있다. https://github.com/microsoft/sbom-tool GitHub - microsoft/sbom-tool: The SBOM tool is a highly scalable and enterprise ready tool to create SPDX 2.2 compatible SBOMs fThe SBOM tool is a highly scalable and enterprise ready tool to create SPDX 2.2 compatible .. 공감수 0 댓글수 0 2024. 7. 5.
Syft로 SBOM 생성하기 Syft란컨테이너 이미지와 파일시스템으로부터 SBOM을 생성하는 CLI도구이다. 소프트웨어의 패키지 및 종속성에 대한 상세한 가시성을 제공하여 취약성, 라이센스 준수 및 소프트웨어 공급망 보안을 관리하는 데 도움이 된다. 아래의 링크를 통해 syft 설치가 가능하다. https://github.com/anchore/syft GitHub - anchore/syft: CLI tool and library for generating a Software Bill of Materials from container images and filesystemsCLI tool and library for generating a Software Bill of Materials from container images and .. 공감수 0 댓글수 0 2024. 7. 5.
무료 SBOM Tools 1. Syft컨테이너 이미지와 파일 시스템에서 SBOM을 생성하는 CLI로 OCI, Docker, Singularity와 같은 일반적인 컨테이너 형식을 지원하며 리눅스 배포판을 자동으로 감지한다. Syft는 SPDX, CycloneDX 및 자체 형식을 지원한다.2. SBOM ToolSBOM tool은 마이크로소프트의 오픈 소스 SBOM 생성기로 확장성이 뛰어나다. NuGet, Go, npm, pip 및 Cargo와 같은 다양한 패키지 관리자를 지원하는 마이크로소프트의 자체 구성 요소 탐지 라이브러리를 사용한다. SBOM 도구는 빌드 시 SPDX 형식으로 SBOM을 생성한다.3. TernTern은 컨테이너 이미지와 Docker 파일에서 SBOM을 생성할 수 있는 SCA 도구이다. 라이센스 .. 공감수 0 댓글수 0 2024. 7. 4.
[이것이 코딩테스트다] 구현 예제 4-1. 상하좌우 내풀이 n = int(input()) x = 1 y = 1 move = list(map(str, input().split())) i = 0 for i in range(len(move)): if move[i] == 'R' and y 1: y-=1 elif move[i] == 'D' and x 1: x-=1 print("{} {}".format(x, y)) 답안예시 # N을 입력받기 n = int(input()) x,y = 1,1 plans = input().split() # L,R,U,D에 따른 이동 방향 dx = [0,0,-1,1] dy = [-1.. 공감수 0 댓글수 0 2023. 2. 23.
[이것이 코딩테스트다 with 파이썬] 그리디 실전문제 1. 큰 수의 법칙 내 풀이 n, m, k = map(int, input().split()) data = list(map(int, input().split())) data.sort() first = data[n-1]; second = data[n-2]; result = 0; while m>0: for i in range (k): result += first m-=1 result += second m-=1 print(result) 모범답안 문제 푸는 아이디어 : 반복되는 수열 반복되는 수열의 길이 = k + 1 수열이 반복되는 횟수 = m / (k + 1) -> m 이 나누어 떨어지지 않는 경우도 고려해야한다. m이 나누어 떨어지지 않는 경우에는 m을 k+1로 나눈 나머지만큼 가장 큰 수가 추가로.. 공감수 0 댓글수 0 2023. 2. 21.
[spatial database] Spatial Database with PostGIS Geometry Types • Point: 좌표 공간의 단일 위치를 나타내는 0차원 기하학 • LineString: 연속된 라인 세그먼트에 의해 형성된 1차원 라인 • LinearRing: 닫혀있는 단순한 LineString • Polygon: 외부 경계와 0개 이상의 내부 경계로 구분되는 2차원 평면 영역 • MultiPoint: 포인트 모음 • MultiLineString: LineString 컬렉션 • MultiPolygon: 다각형 SRID ST_SetSRID 지오메트리의 SRID를 특정 정수 값으로 설정 • geometry ST_SetSRID(geometry geom, integer srid); ST_SRID spatial_ref_sys table에 정의된 대로 ST_Geometry에 대한 공간.. 공감수 0 댓글수 0 2023. 2. 21.
[ML] Reinforcement Learning Reinforcement Learning 학습은 에이전트와 환경 간의 상호작용의 결과로 이루어진다. 문으로 연결된 건물의 5개의 방이 있고 건물 밖에는 큰 방 하나(5호실)가 있다. 1번과 4번 문은 5번 방에서 건물로 통한다. 요원을 아무 방에나 배치하고, 그 방에서 건물 밖으로 내보내려고 한다. 각 문은 양방향이고, 우리 요원이 다른 방에서 들어와서 다른 방으로 나간다. 5호실이 우리의 목표 방이 될 것이다. State ◼ 위 그림에서 각 방(외부 포함) ◼ 그래프에 노드로 표시 Action ◼ 에이전트가 한 방에서 다른 방으로 이동하는 것 ◼ 그래프에서 방향 링크로 표시 Reward ◼ 목표물과 직접 연결된 문은 보상이 100 ◼ 대상에 직접 연결되지 않은 다른 문은 보상이 0 reward값을 사용.. 공감수 0 댓글수 2 2022. 12. 23.
[ML] Recommender Systems Recommender Systems - Recommendation에 쓰이는 정보 명시적 정보 ◼ 수치 등급(예: 별 5개, 별 3개 등) ◼ 이진수 등급(업/다운) 암시적 정보 ◼ 누가 항목을 즐겨찾기에 추가했는가? ◼ 몇 번이나 시청되었나? ◼ 몇 개나 팔렸나? ◼ 사용자들은 그 페이지를 얼마나 읽었는가? ◼ 사용자 프로필/기본 설정 input을 집계하는 방법에는 크게 Collaborative filtering, Content-based filtering, Hybrid methods가 있다. Collaborative Filtering ◼ 같은 생각을 가진 사용자의 등급을 보고 권장 사항 제공 ◼ 과거 비슷한 관심사를 표출했던 이용자들이 앞으로 공통의 관심사를 공유할 것이라는 생각 Memory-based.. 공감수 0 댓글수 0 2022. 12. 21.
[ML] Association Rules Discovery Algorithms Association Rules - What are associatin rule? "what goes with what"에 대한 규칙 예) "X를 산 고객들은 Y도 샀다", "어떤 증상은 어떤 진단을 받는다" - Definition ◼ item: transaction의 항목/물품 ◼ item set은 하나 이상의 항목의 집합 ◼ transaction: 항목의 집합 ◼ transaction dataset: 트랜잭션의 집합 ◼ association rule: 항목 집합 X가 발생할 때 항목 집합 Y가 특정 확률로 발생한다는 패턴 ◼ Support(X): 다음을 포함하는 transaction의 일부 ◼ Confidence(X->Y): 항목 집합 X를 포함하고 항목 집합 Y를 포함하는 transaction의 일.. 공감수 0 댓글수 0 2022. 12. 21.
[ML] Bayesian Classifier and Markov Model Bayesian Classifier ◼ 통계적 분류방법 ◼ 지도 학습 방법 ◼ Bayes’ rule을 기본 확률 모델로 가정 - Elements of Bayesian Classifier ◼ D: 튜플(샘플) 집합 X ◼ X: n차원 속성 벡터 {x1,x2,x3,...,xn} (여기서 xi는 Ai 특성의 값) ◼ m 클래스: C1, C2, C3, ..., Cm ◼ Maximum a Posteriori (MAP) Rule: P(X)가 상수일때 아래 공식에서 분자값을 최대화 Naïve Bayesian Classifier ◼ 일반적으로 일부 변수(feature 또는 독립 변수)는 원인에 따라 달라질 뿐만 아니라 서로 종속된다. ◼ 그러나 종속성 그래프가 깊어질수록 조건부 확률 테이블은 다루기 어려울 정도로 커진.. 공감수 0 댓글수 0 2022. 12. 20.
[ML] Cost Function Optimization – Gradient Descent Gradient Descent Introduction ◼ 기계 학습 모델(알고리즘)은 일반적으로 일련의 매개 변수(가중치, 계수)를 포함하는 비용 함수를 갖는다. ◼ 많은 기계 학습 문제는 비용 함수를 최소화하는 모델에 대한 가중치 집합을 찾는 것으로 감소한다. ◼ 경사 하강법은 기계 학습 모델을 훈련하기 위해 가장 널리 사용되는 알고리즘 중 하나이다. ◼ 비용 함수를 최소화하는 함수의 매개변수(계수) 값을 찾는 최적화 알고리즘이다. ◼ 매개변수를 분석적으로 계산할 수 없기 때문에 사용된다. 비용 함수는 포물선에 대한 방정식이다. 이는 아래와 같이 표시된다. 목표는 J(W)를 최소화하는 값 W 집합을 찾는 것이다. 비용 함수에 대한 랜덤 초기 가중치(W)로 시작하여 global한 최소값에 도달할 때까지 .. 공감수 0 댓글수 0 2022. 12. 17.
[ML] Cost Function Optimization - Regularization Regularization 정규화는 과적합 위험을 최소화하기 위해 비용 함수의 매개 변수를 제한하는 것을 목표로 한다. 선형 회귀 분석, 로지스틱 회귀 분석 및 딥 러닝에 사용할 수 있습니다. 이번에는 선형 회귀에 사용되는 함수를 보여줄 것이다. 회귀 모형을 개선하는데는 두 가지 방법이 있다. ◼ 분산을 줄임으로써 예측 정확도를 향상시킨다. ◼ 모든 feature를 사용하는 대신 독립 변수(feature)의 관련 부분 집합을 선택하여 모델 해석성을 향상시킨다. 결정 계수 R^2의 값이 높을수록 정확도가 높다. R^2은 회귀 분석(SSR)으로 설명되는 총 변동(SST)의 비율(백분율)로 아래와 같이 구할 수 있다. 하지만 R^2은 문제가 있다. 예측 변수가 추가되면 R^2가 증가하거나 일정하게 유지되지만 .. 공감수 0 댓글수 0 2022. 12. 17.
[ML] Classification - SMOTE SMOTE SMOTE는 불균형 데이터 세트를 사용할 때 발생하는 문제를 해결하는 머신러닝 기법이다. 불균형 데이터는 관측된 빈도가 범주형 변수의 서로 다른 가능한 값에 걸쳐 매우 다른 데이터이다. 아래 그림은 불균형 데이터의 예시이다. 위 그림으로 예를 들어보면, 30명의 웹사이트 방문자 중 20명은 스키어이고 10명은 등산가이다. 우리는 방문객의 구매 여부를 예측할 수 있는 기계 학습 모델을 구축하려고 한다. "안 산다"를 예측하는 모델은 30건 중 28건이 맞다. 이 모델은 93%의 정확도를 갖는다. 불균형 데이터를 사용하여, 우리는 실제로는 쓸모가 없지만 매우 정확하게 보이는 모델을 만들게된다. 이러한 불균형 데이터의 문제를 해결하기 위한 3가지 방법이 있다. 1. Undersampling 데이터 .. 공감수 0 댓글수 0 2022. 12. 16.
[ML] Clustering Algorithms – DBSCAN - Clustering Challenges and Solution K-means 및 EM Clustering은 모든 클러스터링 작업(e.g. non-Gaussian data)을 처리할 수는 없다. => Density-based clustering, spectral clustering은 이러한 유형의 문제를 해결한다. Density-Based Clustering Methods density-connected points 또는 density function와 같은 밀도 기반 클러스터링(로컬 클러스터 기준) ◼ 클러스터는 데이터 공간에서 개체 밀도가 낮은 영역으로 분리된 밀집된 개체 영역이다. ◼ 한 군집에 있는 점 집합은 공간적으로 연결되어 있다. ◼ 클러스터의 모든 점에 대해 해당 점 주변의 로컬 점 밀도.. 공감수 0 댓글수 0 2022. 12. 15.
[ML] Clustering Algorithms –Expectation-Maximization (Gaussian Mixture Model) EM EM은 통계 모델에서 매개 변수의 최대 가능성을 찾기 위한 반복적인 방법으로, 모델은 숨겨진(잠재적) 변수에 의존한다. -EM Algorithm ◼ expectation(E) 단계와 maximization(M) 단계를 번갈아 수행하면서 반복 ◼ (E) 단계는 모수에 대한 현재 추정치를 사용하여 평가되는 log-likelihood의 기대 함수를 생성 ◼ (M) 단계는 (E) 단계에서 발견되는 예상 log-likelihood를 최대화하는 모수를 계산 ◼ 이러한 모수 추정치는 다음 (E) 단계에서 숨겨진 변수의 분포를 결정하는 데 사용 - Hidden Parameter Problem and Solution ◼ 변수가 숨겨져있을 때 각 변수가 똑같이 선택될 가능성이 있다면 우리는 알려지지 않은 매개변수 '.. 공감수 0 댓글수 0 2022. 12. 15.
[ML] Clustering Algorithms – Partitioning Partitioning n개의 개체를 k개의 클러스터로 분할하고 선택한 분할 기준을 최적화한다. global optimal solution을 찾으려면 k^n개의 파티션을 검사해야 한다. 하지만 이것은 너무 비싸기 때문에 가능한 모든 부분 집합 중 작은 부분 집합만 고려하는 heuristic methods를 사용해야 한다. 한 클러스터의 제곱 오차 공식은 아래와 같다. 모든 클러스터의 제곱 오차 공식은 아래와 같다. 아래 그림은 클러스터 i의 오차를 계산한 것이다. 1. K-means - k-means Algorithm ◼ k개의 개체를 초기 클러스터로 임의로 선택 ◼ 클러스터가 변경되지 않을 때까지 반복 ◼ 각 개체 Oi에 대해 ◼ Oi와 k 중심체 사이의 거리 계산 ◼ 중심점이 Oi에 가장 가까운 클러.. 공감수 0 댓글수 0 2022. 12. 15.
[ML] Clustering Algorithms – Clustering Quality Measure Clustering Quality Measure 1. Elbow Method ◼ K-Means Clustering 분석 결과에 적용된다. ◼ k의 후보 값 범위를 선택한 다음 K-Means를 적용한다. ◼ 군집에서 중심까지의 점의 평균 거리를 찾고 그래프로 나타낸다. ◼ 평균 거리가 급격히 떨어지는 그래프에서 k 값을 선택한다. -Picking the "Elbow" ◼ 그래프의 x축은 군집 수(k)이고 y축은 군집 내 중심점과 데이터 점 사이의 평균 거리이다. ◼ 군집 수(k)가 증가하면 평균 거리가 감소한다. ◼ 최적 군집 수(k)를 찾으려면 거리가 급격히 떨어지는 k값을 찾는다. ◼ "elbow"가 발생하는 지점이 최적의 k이다. ◼ k=2, 3과 4 사이에서 평균 거리가 급격히 떨어진다. ◼ 따라서.. 공감수 0 댓글수 2 2022. 12. 14.
[ML] Classification Algorithms – Support Vector Machine SVM *Characteristic ◼ SVM은 이진 분류기이다. ◼ SVM은 많은 실생활에서 성공적으로 사용되고 있다. 텍스트(및 하이퍼텍스트) 분류 이미지 분류 생물정보학(유전자 분류, 암) 손으로 쓴 문자 인식 ◼ SVM은 회귀 분석, 특이치 분석, 순위 등에 적용되었다. *Scatter Plot of Training Dataset 아래의 선형적으로 분리 가능한 2차원 dataset을 이용해 SVM을 적용해볼 것이다. 빨간색과 초록색을 분리하는 선은 무수히 많지만 그 중 두개를 보여주자면 다음과 같다. 빨간색과 초록색을 분리하는 선은 무수히 많지만 그 중 두개를 보여주자면 다음과 같다. 그리고 각 선은 classifier 또는 separating boundary 라고 한다. 아래 첫 번째 그림의 c.. 공감수 0 댓글수 0 2022. 12. 13.
[ML] Classification Algorithms – Logistic Regression Logistic Regression *Characteristics ◼ Logistic Regression은 정규 선형 회귀 분석의 변형이다. ◼ Logistic Regression은 종속 변수가 이항(1 또는 0)인 데이터에 곡선을 적합시키는 데 사용된다. ◼ 독립 변수 Xi 집합과 이분법 범주형 종속 변수 Y 사이의 관계를 모델링한다. ◼ Linear Regression과 달리 Logistic Regression에서는 독립 변수와 종속 변수의 관계가 선형이라고 가정하지 않는다. ◼ 종속 변수나 오차항이 정규 분포를 따른다고 가정하지 않는다. ◼ Logistic Regression에서 Binary Logistic Model은 하나 이상의 독립 변수를 기반으로 이항 반응의 확률을 추정하는 데 사용된다. *.. 공감수 0 댓글수 0 2022. 12. 13.
[ML] Classification Algorithms –Decision Trees Decision Tree 1. Gini index 노드 t의 gini index를 구하는 공식은 아래와 같다. 데이터가 모든 클래스에 균등하게 분포되어 있는 경우가 Gini index의 최대값을 갖는다. 그 최대값은 (1 - 1/nc)이다. 모든 데이터가 하나의 클래스에 속할 때는 Gini index의 최소값인 (0.0)을 갖는다. 아래 표에서 가장 왼쪽에 있는 경우가 Gini index의 최소값을 가지고 있고, 가장 오른쪽에 있는 경우가 Gini index의 최대값을 가지고 있다. 왼쪽부터 차례대로 Gini index를 구하는 과정은 다음과 같다. P(C1) = 0/6 = 0 P(C2) = 6/6 = 1 Gini=1–P(C1)^2–P(C2)^2 =1–0–1=0 P(C1) = 1/6 P(C2) = 5/6.. 공감수 0 댓글수 2 2022. 12. 12.
[자료구조] 쿼드트리 (QuadTree) 쿼드트리 특징 -degree가 4인 트리(각 사분면에 속하는 요소가 한 개일때까지 나눈다) -performance: O(log4n) -불균형 트리 위의 쿼드 트리의 노드를 각 사분면 별로 mapping해서 트리형식으로 표현하면 아래와 같다. (왼쪽부터 차례대로 1,2,3,4사분면) 쿼드트리에서 root노드는 실제로 존재하지 않지만 mapping하여 표현할 때는 root노드를 그려준다. 나뉘어진 사분면의 개수와 각 사분면에 있는 1의 개수를 세는 함수이다. char graph[25][25]; int region[625] = { 0, }; int quad(int i, int j, int n, int cnt) { graph[i][j] = 0; region[cnt]++; if (i - 1 >= 0 && grap.. 공감수 0 댓글수 0 2022. 7. 12.
[자료구조] Dijkstra's algorithm Dijkstra's algorithm: 방향그래프(directed graph)에서 한 노드에서 다른 노드까지 최소 비용을 갖는 길 찾기 performance of Dijkstra's algorithm: O(N^2) 아래 그래프에서 Dijkstra's algorithm을 이용하여 노드A에서 노드E까지 최소 비용을 갖는 길 찾기 1. 노드A에서 시작해서 가장 비용이 적은 노드를 선택한다. 2. 1번에서 선택한 노드를 거쳐서 더 비용이 적다면 그 비용을 다시 적는다. 공감수 0 댓글수 0 2022. 7. 11.
[자료구조] minimum spanning tree - prim's algorithim, kruskal's algrithm 최소의 총 가중치를 갖는 spanning tree를 찾는 방법 중 prim's algorithim과 kruskal's algrithm에 대해 알아보겠다. spanning tree에 대한 글은 아래 참고 2022.07.01 - [자료구조] - [자료구조] spanning tree (sub graph) [자료구조] spanning tree (sub graph) spanning tree: 그래프에서 cycle이 제거된 sub graph -Depth First Traversal을 이용해 spanning tree 만들기 먼저 DFS방식으로 그래프를 순회한다. 위의 그림에서 서로 연결된 노드들만 그래프에서 다시 연결.. jicoding.tistory.com - Prim's algorithm 1. undirected.. 공감수 0 댓글수 0 2022. 7. 4.
[자료구조] 백준 1927번: 최소 힙 #define _CRT_SECURE_NO_WARNINGS #include int heap[100001]; int t = 0; int n; void swap(int i, int j) { int tmp = heap[i]; heap[i] = heap[j]; heap[j] = tmp; } //값 저장 void push(int x) { heap[++t] = x; for (int i = t; i > 1; i /= 2) { if (heap[i] < heap[i / 2]) swap(i, i / 2); else break; } } //내림차순으로 값 출력 int pop() { int top = heap[1]; heap[1] = heap[t]; heap[t--] = 0; int i = 1; while (i * 2 heap.. 공감수 0 댓글수 0 2022. 7. 4.
[알고리즘] 백준 2667번: 단지번호붙이기 (c언어) 이 문제는 dfs방식을 이용해서 풀었다. #define _CRT_SECURE_NO_WARNINGS #include char graph[25][25]; int house[625] = { 0, }; int sorted[625]; int dfs(int i, int j, int n, int cnt) { //한번 집이 있는 것(1)을 확인했다면 0으로 바꾸어주기 graph[i][j] = 0; //하나의 단지에 있는 집의 개수 세기 house[cnt]++; //좌우 위아래로 집이 있으면 같은 단지이기 때문에 재귀로 dfs호출 if (i - 1 >= 0 && graph[i - 1][j] == '1') dfs(i - 1, j, n, cnt); if (i + 1 < n && graph[i + 1][j] == '1') d.. 공감수 0 댓글수 0 2022. 7. 2.
[자료구조] spanning tree (sub graph) spanning tree: 그래프에서 cycle이 제거된 sub graph -Depth First Traversal을 이용해 spanning tree 만들기 먼저 DFS방식으로 그래프를 순회한다. 위의 그림에서 서로 연결된 노드들만 그래프에서 다시 연결시키면 spanning tree가 만들어진다. -Breadth First Traversal을 이용해 spanning tree 만들기 먼저 BFS방식으로 그래프를 순회한다. 위의 그림에서 서로 연결된 노드들만 그래프에서 다시 연결시키면 spanning tree가 만들어진다. 공감수 0 댓글수 0 2022. 7. 1.
[자료구조] 그래프(graph) 기본 개념/용어 정리 그래프는 node와 edge로 이루어진다. edge에는 undirected edge, directed edge, weighted edge 가 있다. undirected edge (and unweighted) directed edge (and weighted) weighted edge -용어 subgraph: 그래프의 한 부분(그래프의 특성을 가지고 있는) connected graph: 모든 노드가 다른 모든 노드로 접근이 가능한 그래프 disconnected graph: 최소 하나의 노드가 다른 모든 노드로 접근이 불가능한 그래프 adjacent node: 두 노드 사이에 edge로 곧바로 연결된 것 complete graph: 모든 노드가 다른 모든 노드로부터 인접한 것(edge로 곧바로 연결된 것) .. 공감수 0 댓글수 0 2022. 6. 28.
[알고리즘] 해쉬 테이블(hash table) - double hashing 해쉬테이블은 저장할 key 값은 달라도 hash function을 수행한 결과값은 동일할 수 있다. 이를 충돌(collision)이라고 부른다. 충돌을 해결하기 위한 방법에는 체인을 이용하거나 오픈 어드레싱 등을 이용할 수 있다. double hashing은 선형 프로빙의 문제를 부분적으로는 해결해준다. 아래의 글에서 선형프로빙의 단점(문제점)을 확인할 수 있다. 2021.12.21 - [알고리즘] - [알고리즘] 해쉬 테이블(hash table) - 선형 프로빙(linear probing) 더블 해슁은 두개의 hash function을 사용하는 것이다. 하나는 처음에 key를 저장할 index를 찾기 위한 것이고, 나머지 하나는 충돌 발생 시 저장할 index를 찾기 위한 것이다. 충돌 발생 시 저장할.. 공감수 0 댓글수 0 2022. 6. 24.

728x90

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.