gamamoe

library(readr)
library(ggplot2)

path <- "/foo/bar/baz"
df <- read_csv(path, col_types = cols(Count = col_integer()))

cbPalette <- c("#E69F00", "#009E73", "#000000", "#0072B2", "#D55E00", "#CC79A7")

plot <- ggplot(data = df, aes(x = Date, y = Count, group = Tag, colour = Tag)) +
  theme(plot.title = element_text(size = 24, face = "bold"), 

gamamoe

#include <cstdio>
#include <cstdlib>
#include <vector>
#include <cstdint>
#include <string>

typedef std::vector<std::vector<int>> Table;
typedef std::vector<int> Path;

struct NodesInShortestPath {

gamamoe

test_matrix = randi(10, 10, 10)  # 10 by 10 matrix

check_numeric = 3
equality_check_matrix = (test_matrix == check_numeric)

result = test_matrix .* equality_check_matrix

gamamoe

na_expression <- c(1, 5, 10)

# data.frame
data_frame <- data.frame(x = 1:10, y = 5:14, z = 10:19)
for (element in na_expression) {
  data_frame[data_frame == element] <- NA
}

gamamoe

# 하나의 값을 NA로 변환할 때
element <- 0
dt[dt == element] <- NA

# 여러 개의 값을 NA로 변환할 때
na_expression <- c(0, 1, 2)
for (element in na_expression) {
  dt[dt == element] <- NA
}

gamamoe

# Multilayer Perceptron (MLP) 생성

model = Sequential()

# Dense(256)의 의미는 256개의 hidden unit을 가지는 fully connected layer
# keras에서는 첫 번째 Layer, 즉 input layer의 input dimension만 지정하면
# 뒤의 연결되는 Layer의 dimension은 간단하게 작성 가능하다.

# width * height = 784인 dimension
# glorot_uniform == Xavier Initialization, keras에서는 내부적으로 이미 제공

gamamoe

# 데이터 Load 및 전처리 과정

# Train, Test 데이터 Load
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# Train 데이터 포맷 변환
# 60000(Train Sample 수) * 28(가로) * 28(세로) 포맷을
# 60000(Train Sample 수) * 784(= 28 * 28) 포맷으로 수정
num_of_train_samples = X_train.shape[0]                     # Train Sample 수
width = X_train.shape[1]                                    # 가로 길이

gamamoe

# MNIST 데이터 관련 import
from keras.datasets import mnist                  # MNIST 데이터 Loader
from keras.utils.np_utils import to_categorical   # One-hot 포맷 변환
import numpy as np                                # float type casting

# Feature scaling 관련 import
from sklearn.preprocessing import minmax_scale    # [0-1] Scaling

# Model 구축 관련 import
from keras.models import Sequential

gamamoe

#include "my_array.h"

MyArray::MyArray() {
  size_ = 0;
  last_element_index_ = -1;
  ptr_ = NULL;
}

MyArray::MyArray(int initial_size) {
  size_ = initial_size;

gamamoe

#ifndef MY_ARRAY_H_
#define MY_ARRAY_H_

#include <cstring>
#include <iostream>

class MyArray {
 public:
  MyArray();
  MyArray(int initial_size);