티스토리

ysk1m 님의 블로그

검색하기

블로그 홈

ysk1m 님의 블로그

ysk1m.tistory.com/m

ysk1m 님의 블로그 입니다.

구독자: 0

방명록 방문하기

주요 글 목록

[Machine learning] Tree-based Methods: Bagging, Random Forests & Boosting 오늘 공부할 내용은 저번에 공부한 Decision Tree의 성능을 향상하기 위한 방법이다.https://ysk1m.tistory.com/45 [Machine learning] Tree based Methods: Decision Tree로 Regression과 Classification하기Tree-based Methods분류와 회귀 작업 모두에 사용 가능하며, 입력공간을 재귀적으로 분할하여 단순한 영역으로 나눈다.이 방법은 시각적으로 이해가 쉽고, 해석력 높은 모델을 만들 수 있다. 단, 정ysk1m.tistory.com사실 오늘 정리한 내용은 Decision-Tree뿐만 아니라 machine learning의 성능을 향상하기 위한 general 한 method이다. 실제로 연구할 때는(paper를 쓸 .. 공감수 0 댓글수 0 2025. 4. 19.
[Machine learning] 머신러닝에서 사용하는 통계적 오차 측정 지표의 차이 알아보기 처음 Machine learning을 공부하면 RSS, MSE, RSE에 대한 개념이 헷갈릴 것이다.뭔가 비슷한 것 같은데 셋의 정확한 차이는 뭘까?그 개념을 여기서 확실하게 짚고 넘어가고자 한다. RSS(Residual Sum of Squares)말 그대로 잔차를 모두 더한 것이다. 오차를 제곱해서 더한 것으로 데이터 point가 늘어날수록 RSS값도 끊임없이 늘어난다.그렇기 때문에 성능을 비교하는데 쓰기에는 단위가 너무 크다.또한 샘플 수가 다르면 비교가 어려워 단지 수식 유도를 위한 분석을 할 때 중간단계에서 많이 사용한다. RSE(Residual Standard Error)표준오차라고 불리는 값으로 예측값이 실제값으로부터 얼마나 떨어져 있는지를 나타내는 것이다.그렇기 때문에 작을수록 좋다.RSS는.. 공감수 0 댓글수 0 2025. 4. 17.
[빅데이터 및 지식관리시스템] ER Data Model과 Logical DB Design 공부내용 정리 ER Data ModelER Data model만으로는 데이터를 조작하거나 검색하는 기능이 없다.또한 query언어도 없다. 그러나 시각적으로 구조를 표현하기 쉽기 때문에 논리적 데이터 베이스 스키마 설계에 매우 유용하다.How to design the DatabaseRequirement analysis: 사용자 그룹과 비공식적인 논의를 통해 요구사항을 분석한다.Conceptual Design: ER 다이어그램을 이용하여 Entity(데이터의 주요 객체), Relationship(관계), Constraints(무결성)을 설계한다.Logical Design: PK, FK, Check, Assertion 등을 통해 제약조건을 설계하여 schema로 변환한다.Physical Design: Create Tabl.. 공감수 0 댓글수 1 2025. 4. 15.
[Machine learning] Confounding Effect, Interaction Term, MultiCollinearity의 차이 종속변수들 간 종속변수와 독립변수들 간의 관계에 대해 나타내는 용어이고 공부할 때 헷갈려서 정리를 하려 한다. MultiCollinearity이 경우는 종속변수들의 관계만 생각하자.종속변수 feature들 간의 상관관계가 있는 것이다. linear regression의 경우 \(\beta\)에 대해 closed form이 있는데 식이 \((X^TX)^{-1}\)으로 구성돼있다.즉 feature \(x\) 간의 correlation이 있는 경우 \(\beta\)에 대한 추정이 불안정해지는 것이다. 따라서 서로 correlation이 강한 feature가 있다면 feature를 제거하는 것이 문제를 해결하는 방법이다. Confounding EffectCofounding Effect는 \(Y\)에 영향을 주는.. 공감수 0 댓글수 0 2025. 4. 14.
[C++] Copy Semantics과 Move Semantics에 대해서 알아보기 Copy 또는 Move를 할 때 shallow 하게 하기 때문에 error가 뜰 가능성이 있다.이는 semantic 전체를 copy하지 않고 주소만 복사했기 때문이다. 따라서 deep copy를 하면 shallow copy로 인한 문제를 해결할 수 있으나deep copy만의 문제가 있고 이를 해결하기 위해서는 Move라는 방법을 이용할 수 있다.Copy SemanticsNon-temporary object으로 object를 initialize 하거나 update 할 때 사용하는 것이 copy이다.또는 Non-temporary object를 함수에 통과시킬 때 Copy가 일어난다. Copy constructor와 Copy operation 두가지 방법이 있는데 둘의 차이점과 예제를 알아보겠다.Copy Co.. 공감수 0 댓글수 0 2025. 4. 11.
[C++] C++에서 class 배우기 Class클래스는 기존 C의 abstraction과 modularity가 부족한 것을 해결하기 위해 통합된 것으로 C++의 중심적인 기능으로 자리 잡았다.class는 data information과 procedural information으로 구성된다.data information을 attributes, data field라고 하며 Procedural information을 method, function이라 한다. Object는 data attribute와 behavior를 포함하는 개념으로 class에서 구체적으로 실현하는 Runtime instance이다. C에 class와 유사한 structure라는 구조가 있다. structure는 단순히 데이터를 묶는 컨테이너로 함수(method, behavio.. 공감수 0 댓글수 0 2025. 4. 10.
[Machine learning] Tree based Methods: Decision Tree로 Regression과 Classification하기 Tree-based Methods분류와 회귀 작업 모두에 사용 가능하며, 입력공간을 재귀적으로 분할하여 단순한 영역으로 나눈다.이 방법은 시각적으로 이해가 쉽고, 해석력 높은 모델을 만들 수 있다. 단, 정교한 supervised model에 비해 예측 정확도 면에서 성능이 떨어진다.이 것을 해결하기 위한 방법으로 bagging, random forests, boosting이 있다.이 내용에 대해서는 다음에 공부하도록 하겠다. Tree-based model에 Decision tree가 있으며, 오늘은 이 내용에 대해 알아보도록 하겠다. Decision TreesDecision Tree는 이름 자체에서도 알 수 있듯이 Tree-based model이다.따라서, regression과 classificatio.. 공감수 0 댓글수 0 2025. 4. 9.
[빅데이터 및 지식관리시스템] Business question에 대해 답하기 위한 Analytic Functions 정리 SQL에서 좀 더 복잡한(?) 질문에 대해 출력하기 위해서, 중요한 business question에 대해 답을 하기 위해 Analytic Function을 사용한다. 예를 들어 각 부서 상위 10명의 salesman을 추출하여라.지난 90일간 이동 평균은?전년도 대비 성장률은?과 같은 질문이 있다. SQL로는 이런 것을 하기에는 좀 복잡하고 비효율적이다.따라서 여러 Analytic function을 이용하게 된다. Analytic Functions그에 반해 analytic function을 이용하면 query의 performance를 향상해 주고 효율적이게 작업을 할 수 있다.종류는 다음과 같다.Ranking functions: rank, dense_rank, percent_rank, ntileWind.. 공감수 0 댓글수 1 2025. 4. 8.
[C++] Operator Overloading에 대해 알아보기 Operator흔히 아는 +,-,==,>, 각 class에 따라 operator를 redefine 할 수 있고 이것을 operator overloading이라한다.custom type에 맞게 tailor를 할 수 있다. 피연산자, 반환 값을 결정해야 하고 그것에 맞춰 구현하는 function의 형태이다. 사실 convention과 expectation을 맞춰서 function꼴로 만들어야 하는데 사실상 제약은 없다.그래도.. convention에 맞춰서 해주면 좋다고 한다.(rule이니깐)[] Subscript Operator Purpose: v [i]는 v의 i번째 element에 접근하는 것을 목표로 한다.Syntax: 보다시피 입력으로 int index를 넣어주고 T& reference를 반환해 .. 공감수 0 댓글수 0 2025. 4. 7.
[빅데이터 및 지식관리시스템] SQL에서 모든 것에 대한 만족을 표현하고 싶을때..? Set vs Bag semanticsRelational Algebra에서는 기본적으로 set sementic을 기본으로 한다.하지만 real-world에서 SQL로 구현할 때, bag sementic을 기본으로 한다. Bag은 set과 비슷하지만, 같은 요소가 여러번 나타날 수 있다.{1,2,3,1}: 1이라는 중복을 허용하는 집합이다.{1,2,3}: 같은 bag이지만 중복이 없는 set이다.또한 element의 순서가 중요한 list와 다르게 bag은 순서가 중요하지 않다. SQL이 bag semantics를 기본으로 하는 이유는 일부 연산에서 더 효율적이기 때문이다.또한 중복된 것을 "distinct" 키워드를 이용하여 제거할 수 있기 때문이다. DivisionDivision은 기본 연산자는 아니지만.. 공감수 0 댓글수 0 2025. 4. 6.
[Machine learning] How to select optimal model(feature selection, one-standard-error rule) 모델의 feature의 개수가 증가하면 Accuracy가 높아진다.그러나 모델이 복잡해지므로 interpretability가 낮아지고 coefficient의 분산이 커지므로 새로운 값에 대해 예측이 불안정하다. 이런 점 때문에 단순히 feature의 개수만 늘려서 모델의 성능이 좋아진다고 판단하면 안된다. feature를 어떻게 고를 것이며 몇개를 골라야할지에 대해 공부해보도록 하겠다. Best Subset Selection모든 조합을 전부 살펴보는 것이다.1단계: Null Model(\(\mathcal{M}_0\)) 설정아무 predictor도 포함하지 않은 모델로 모든 관측값에 대해 평균값으로 예측하는 모델이다.2단계:feature 개수별 후보 모델 탐색변수가 \(p\)개있고 그 중 \(k\)개에 대.. 공감수 0 댓글수 0 2025. 4. 5.
[Machine learning] Lasso와 Ridge regression 중 어떤 것을 사용?? Shrinkage Methodsubset selection은 불필요한 feature를 제거하여 모델의 성능을 향상하지만, 자칫 필요한 변수까지 제거할 수도 있다.따라서 모든 feature를 이용하는 대신 regularization항을 추가하여 계수들이 0에 가깝도록 강제하는 Shrinkage Method에 대해 공부할 것이다. 대표적인 방법으로는 Ridge regression과 Lasso가 있다. Ridge regressionRidge regression은 다음과 같이 일반적인 선형 회귀 RSS에 계수들의 제곱합(l2 norm)에 대한 penalty term을 추가로 더하는 것이다.\(\lambda\)가 크면 \(\beta\)가 작아져 분산이 작아지지만 bias가 커질 수 있다.반면 \(\lambda\).. 공감수 0 댓글수 0 2025. 4. 4.
[빅데이터 및 지식관리시스템] TPC-C Benchmarking Benchmarkingperformance를 평가하는 지표이다.DB benchmark 종류OLTP사용자 요청(transaction)이 빈번하게 발생하고, 각 요청이 작고 빠르게 처리되어야하는 시스템이다.짧고 간단한 쿼리로 구성되며 높은 동시성을 가진다.OLAP대용량 데이터를 바탕으로 복잡한 분석 및 리포팅 작업을 수행하는 시스템이다.실시간성보다는 분석 정확성을 중시한다.HTAPOLTP와 OLAP를 동시에 처리하는 시스템이다. TPC-C ScenarioNew-Order, Payment, Order-Status, Delivery, Stock-Level에 대해 작업을 수행하고 benchmark를 평가할 수있다.Data model: WAREHOUSE, DISTRICT, CUSTOMER, ORDERS, ITEM과.. 공감수 2 댓글수 1 2025. 4. 3.
[C++] Function Overloading과 Template Function Overloading함수가 이름을 공유하는 것이다.그 대신 parameters의 type을 다르게 해야 한다.C에서는 data type에 따라 함수의 이름을 설정해야 한다.C++의 경우 동일한 이름만 써도 변수에 type만 정의하면 알아서 인식한다.하지만 return값이 다를 경우에는 이름을 공유할 수 없다. Compiler는 name mangling을 통해 함수 각각을 인식한다. Function Templates함수가 기능은 동일하고 input 받는 type만 다를 경우 template을 만들어서 사용한다.다음과 같이 template keyword를 통해 구현할 수 있다.T부분이 어떤 datatype이 될 수 있다.Template instantiation다음과 같이 다른 type의 pa.. 공감수 0 댓글수 0 2025. 4. 2.
[빅데이터 및 지식관리시스템] Nested query와 Aggregate Operations Nested queryNested query와 join을 이용한 query의 차이Nested query는 in, not in을 통해 존재의 여부를 판단하는 것이기 때문에 중복을 인정하지 않는다.반면, join은 중복을 인정한다.속도 측면에서는 join이 더 빠른데 그 이유는 DBMS 옵티마이저 덕분이다. join에서 column기준으로 묶어서 비교했는데, Nested query에서는 비교하고자 하는 column을 select 하여 in/not in 연산을 실행하면 된다.Correlated subqueryExist는 in과 다르게 tuple 하나하나 비교해가면서 True/False 값을 출력한다.UniqueUique는 중복이 있는지 판단해서 중복된 tuple이 있으면 False, 없으면 True를 출력한다.. 공감수 0 댓글수 0 2025. 4. 1.
[NeurIPS 2022] Structured Energy Network as a Loss Function review 저번에 공부한 SPEN의 한계점을 보완한 뉴립스 2022 paper SEAL에 대해 공부해 보겠다.BackgroundSPEN의 추론 과정은 test-time optimization을 하는데, 추론할 때도 backprop연산을 하며 각 \(y\)를 update 하였다.이런 식으로 추론하는 것을 Gradient based inference라 하며 이 방법은 상당히 느리고 불안정하다. 그래서 SEAL은 task-net과 loss-net으로 나눠 task-net에서는 GBI 없이 정답에 가까운 \(y\)를 바로 출력한다.대신 loss는 energy network를 통해 구조적 의존성을 반영한다.Introduction\(y\)들의 dependency를 모델링하기 위해 많은 방법이 있었다.implicit 하게 de.. 공감수 0 댓글수 0 2025. 3. 31.
[ICML 2016] Structured Prediction Energy Networks Protein structure 예측과 관련된 연구에 관심이 생겨 structured prediction에 대해 공부해 봐야겠다고 생각했다.2016년 ICML에 publish 된 논문이다. Paper를 review하기 보단 강의 slide가 있어 이 내용을 순차적으로 공부해보려 한다.Background한 입력에 대해 복수의 label을 예측하는 문제인 Multi-label Classification 시 label 간의 관계를 어떻게 잘 파악할지에서 시작한다.다음과 같이 다양하게 label을 예측할 수 있는 것이다.multi-label을 예측하는 방법 중 가장 흔히 쓰이고 편한 것이 Independent Prediction이다.이 prediction은 각 label을 독립적으로 예측하고 라벨 간의 상호작용.. 공감수 0 댓글수 0 2025. 3. 30.
[Machine learning] Bootstrap에 대해 알아보기 BootstrapBootstrap은 resampling 기법으로, 이미 확보된 하나의 데이터셋에서 복수의 새로운 표본을 생성하여 추정량(모델의 파라미터)의 uncertainty를 평가하는 방법이다. 단, 여기서 sampling은 with replacement(복원 추출)로 이뤄진다. resampling을 통해서 예를 들어 100개의 데이터만 가지고도 100+개의 데이터로 추정한 성능을 내는 것이다. bootstrap을 통해 coefficient의 standard error나 confidence interval를 추정할 수 있다. 간단한 예시를 들어보겠다.두 금융자산 \(X, Y\)의 수익률이 있고, 한정된 자금을 \(\alpha\)만큼은 \(X\)에, 나머지\(1-\alpha\)만큼은 \(Y\)에 투자한.. 공감수 0 댓글수 0 2025. 3. 29.
[Diffusion] DDPM에 대해 정리한 내용 개념 설명을 위해 성민혁 교수님 ppt자료를 수정하여 재작성한 것입니다. 앞서 말한 VAE에서 처럼 직접 계산할 수 없기 때문에 하한선(lower bound)을 이용하여 \(log(P_0)\)를 모델링합니다.여기서 먼저 Consistency term부터 살펴보겠습니다.Consistency term은 시점 t에 대해 forward step과 reverse step이 동일하게 만드는 것입니다.하지만 이 경우 보시는 것처럼 2개의 random variables에 대해 계산을 해야 하기 때문에 computaionally 비쌉니다. 계산복잡도를 줄이기 위해 random variables이 2개인 상황을 피할 방법을 찾아야 합니다.그래서 ELBO 식을 Marcov process임을 이용하여 재구성합니다.다음과 같이.. 공감수 0 댓글수 0 2025. 3. 28.
[Diffusion] VAE (Variational Autoencoder)에 대한 공부 성민혁 교수님 강의를 보고 공부한 내용. 일단 처음 배우면 너무 어지러워서 뭘 배우려하는지, 어떻게 배우려하는지를 중심으로 정리해보았다. VAE가 구하려하는 것 이미지를 생성하려고 하는데, 그 이미지가 생성될 확률을 구하는 것이다. 즉, VAE는 실제 이미지 \(x\)에 대해 \(P(x)\)를 알아내려하는 것이다. 우리가 설계한 모델이 실제 이미지 \(x\)만큼 얼마나 잘 표현하고 있는지를 보는 것이다. 그럼 \(P(x)\)를 구하는 방법에 대해 알아보자.\(Monte-Carlo method\)를 이용해서 구하기먼저, \(Monte-Carlo\) 방법을 이용해서 구할 수있다.다음과 같이 표현할 수있는데구간에 대해 균등하게 random number를 샘플링해서 적분을 근사하는 것이다.하지만 정확도를 높이려.. 공감수 0 댓글수 0 2025. 3. 27.
[Machine learning] Linear regression, Logistic regression code 구현중 모르거나 헷갈렸던 code 정리 linear regression부터 k-fold validation에 대해 실제 예제(code 구현)를 공부하다가 기억하면 좋을 것 같은 내용에 대해 정리.Linear regression_bias항을 모델에 포함시키기Scalar가 아니라 Matrix form일 때, bias를 따로 처리하면 귀찮아지므로, 모든 샘플의 입력 앞에 1을 붙여서 절편도 가중치 취급을 한다.X = np.hstack((np.ones((X.shape[0], 1)), X))X.shape[0] 즉 row방향으로 1로 채워진 배열을 X앞에 stack 한다.X =[[x11, x12], [x21, x22]]↓ hstack with ones[[1, x11, x12], [1, x21, x22]]Linear regression_data split.. 공감수 0 댓글수 0 2025. 3. 26.
[C++] Pointers and References part 1 Variable과 Memory어떤 variable이 선언될 때, variable을 위한 공간이 memory에 만들어지고 memory의 주소가 variable의 이름과 associate 된다.변수명을 주소처럼 이용하는 것이다.주소는 "&x"으로 접근할 수 있다.PointersPointer는 똑같은 변수이다...(어렵게 생각 no)평범한 변수인데 단지 memory address가 value인 변수이다. 주로 8byte의 크기를 가진다.(integer:4byte, char:1byte) pointer가 어떤 type의 data를 가지고 있느냐에 따라 pointer를 지정하는 방법이 다른데type정보 *변수명=&x;int *ptr=&x;처럼 쓸 수 있다. pointer 변수 ptr이 가리키는 주소에 담긴 valu.. 공감수 0 댓글수 0 2025. 3. 25.
[NeurIPS 2019] ViLBERT Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks Motivation기존에는 Vision modal과 language modal을 같이 한 번에 학습하는 single stream 구조가 많았습니다.이 경우 각 modal뿐 아니라 두 modal에 대한 관계도 잘 학습하기 어려웠고 visual grounding이 필요한 task에 대해서 성능이 좋지 않았습니다. 그래서 이 paper에서는 각각의 modal를 잘 학습하고 두 modal의 관계 또한 잘 학습하여 visual grounding이 필요한 task를 잘하는 모델을 만드는 것이 목표입니다. 또한 이러한 visual grounding이 pretrain이 가능하고 transfer learning도 가능하다는 점을 보여줍니다.Approach첫 번째로 보면 visual stream과 language stre.. 공감수 0 댓글수 0 2025. 3. 24.
[Machine learning] Test error를 추정하는 방법 (K-fold cross validation) train error와 test error의 관계는 어떻게 될까?모델을 만들었을 때, 최종 목표는 test error를 줄이는 것이다.학습할 때는 test dataset을 볼 수 없으며 이용해서도 안된다. 그럼 어떻게 test error를 낮추고 확인할 수 있을까?오늘 공부할 내용은 test error를 추정하고 이를 낮출 수 있는 방법이다.Training Error vs Test Errortrain dataset과 test dataset은 기본적으로 같은 분포고 특별히 뭐가 어렵고 쉬운 것은 아니다.test error는 학습 때 사용하지 않은 새로운 관측치에 대해 예측하여 발생하는 error이다.반면에 train error는 train할 때 본 관측치에 대해 발생하는 error이다. 단지, 학습할 때 .. 공감수 0 댓글수 0 2025. 3. 23.
[빅데이터 및 지식관리시스템] SQL의 기본연산에 대해 알아보기(Join에 대해 모든 공부..) SQL과 같은 실제 질의 언어가 어떤 수학적 기초 위에 구축되어 있을까?? SQL언어는 Relational Algebra와 Relational Calculus에 근간하여 만들어졌다. Relational Algebra실제 SQL 질의 실행 계획을 표현하는 것으로 operational 하고 procedural 한 성격을 띤다.일련의 연산을 사용해 데이터를 조작한다. Relational Calculus사용자가 query에 대해 how to coplete it을 보는 것보다 what they want를 보는 것이다.따라서, non-operational 하고 declarative 하다. RA와 RC는 전환이 가능하며 표현력이 비슷하다. Relational AlgebraAlgebra는 mathematical sys.. 공감수 1 댓글수 2 2025. 3. 22.
[Machine learning] ML 3주차 공부(Classification? Discriminant Analysis) Classification 방법 중 Discriminant analysis에 대해 공부한 내용이다. Classify를 하는 방법에는 다음과 같이 2가지 방법이 있다. \(x\)라는 data가 있을 때, 어떤 \(y\) class에 속하는지 확률 분포 \(p(y|x)\)를 예측하는 것이다.Generative Classifier: likelihood인 \(p(x|y)\)와 prior distribution인 \(p(y)\)를 추정하여 posterior distribution인 \(p(y|x)\)를 예측하는 것이다. 여기서 알고자 하는 posterior distribution은 신만이 알고 있는 분포라고도 한다. 예시로 Bayes classifier가 있으며, Discriminant Analysis가 그 방법.. 공감수 0 댓글수 0 2025. 3. 21.
[C++] C++ Standard Library Part 3. Container에 대해 자세히 알아보기 Listlist는 sequence container로, 요소들이 메모리상에 연속적으로 배치되지 않고, non-contiguous 메모리 할당 방식을 사용한다.보통 doubly linked list 형태로 구현돼 있어, 각 노드가 이전 노드와 다음 노드를 가리킨다. 주요 특징은효율적인 insertion 및 deletion: list의 중간, 시작, 끝 어디에서나 insertion, deletion연산이 빠르게 가능하다.Random Access가 불가능하다. 원하는 element에 접근하기 위해서는 순차적으로 접근해야 한다.List-initialization항상 헤더를 포함해야 하고 list의 경우는 include 를 포함해야 한다. vector initialization과 비슷하다. list를 선언할 때,.. 공감수 0 댓글수 0 2025. 3. 20.
[C++] C++ Standard Library part2. File I/O streams / Strings / Containers File I/O Streams 헤더 파일의 ifstream(input file stream) class와 ofstream(output file stream) class를 이용하여 File input과 output을 관리한다.File I/O는 standard I/O와 유사한 점이 많다.File I/O Streams-Readingdata.txt를 읽기 위해 ifstream file객체를 지정한다.std::ifstream file("data.txt");file이 정상적으로 열렸나 판단한다.file.is_open()파일을 line단위로 읽기 위해 getline을 사용한다.std::string line;while (std::getline(file, line)) {std::cout string인 line를 지정하고.. 공감수 2 댓글수 2 2025. 3. 19.
[빅데이터 및 지식관리시스템] View에 대해 알아보기 ViewView는 virtual table로 view자체가 데이터를 물리적으로 저장하지 않는다.View는 실제 데이터가 들어 있는 Base Relation(기본 테이블) 위에 정의된다. View에 대해 query를 날리면 DBMS가 내부적으로 Base Relation에 접근하여 결과를 생성한다.CREATE VIEW HighScoreStudents(sid, gpa) AS SELECT S.sid, S.gpa FROM Students S WHERE S.gpa >3.5;HighScoreStudents라는 View를 생성한다. 구체적으로 S.gpa > 3.5일 경우에 대해 S.sid, S.gpa column을 보여준다. View에 query를 날리는 과정을 살펴보자.다음과 같이 query를 날렸다 하자.SELEC.. 공감수 1 댓글수 1 2025. 3. 18.
[C] Memory model(Stack vs Heap) Stackaddresse가 낮아지는 방향으로 저장한다.Complie에 의해서 allocate되고 deallocate된다.함수 내에서 사용하는 local variables에 접근할 때 사용한다. 빠른 속도로 처리되며, 메모리 내부에 작은 빈공간이 생기지 않아 효율적이게 사용한다.Heap메모리를 동적으로 할당한다. 실행시간에 메모리의 크기나 필요성이 결정된다.사용자(programmer)에 의해 allocate되고 deallocate된다.Data들은 주로 Pointer를 통해 접근된다.느린 속도로 처리되며, 메모리 내부에 틈이 생길 수있어 비효율적이다.Dynamic Memory Allocation in C#include int *ptr = malloc(sizeof(int));malloc을 사용하기 위해서 헤.. 공감수 0 댓글수 0 2025. 3. 17.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.