°£Æí°áÁ¦, ½Å¿ëÄ«µå û±¸ÇÒÀÎ
ÀÎÅÍÆÄÅ© ·Ôµ¥Ä«µå 5% (26,600¿ø)
(ÃÖ´ëÇÒÀÎ 10¸¸¿ø / Àü¿ù½ÇÀû 40¸¸¿ø)
ºÏÇǴϾð ·Ôµ¥Ä«µå 30% (19,600¿ø)
(ÃÖ´ëÇÒÀÎ 3¸¸¿ø / 3¸¸¿ø ÀÌ»ó °áÁ¦)
NH¼îÇÎ&ÀÎÅÍÆÄÅ©Ä«µå 20% (22,400¿ø)
(ÃÖ´ëÇÒÀÎ 4¸¸¿ø / 2¸¸¿ø ÀÌ»ó °áÁ¦)
Close

ÀÚ¹Ù¿Í ÇÔ²²ÇÏ´Â ÀڷᱸÁ¶ÀÇ ÀÌÇØ

¼Òµæ°øÁ¦

2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.

ÆǸÅÁö¼ö 42
?
ÆǸÅÁö¼ö¶õ?
»çÀÌÆ®ÀÇ ÆǸŷ®¿¡ ±â¹ÝÇÏ¿© ÆǸŷ® ÃßÀ̸¦ ¹Ý¿µÇÑ ÀÎÅÍÆÄÅ© µµ¼­¿¡¼­ÀÇ µ¶¸³ÀûÀÎ ÆǸŠÁö¼öÀÔ´Ï´Ù. ÇöÀç °¡Àå Àß Æȸ®´Â »óÇ°¿¡ °¡ÁßÄ¡¸¦ µÎ¾ú±â ¶§¹®¿¡ ½ÇÁ¦ ´©Àû ÆǸŷ®°ú´Â ´Ù¼Ò Â÷ÀÌ°¡ ÀÖÀ» ¼ö ÀÖ½À´Ï´Ù. ÆǸŷ® ¿Ü¿¡µµ ´Ù¾çÇÑ °¡ÁßÄ¡·Î ±¸¼ºµÇ¾î ÃÖ±ÙÀÇ À̽´µµ¼­ È®Àνà À¯¿ëÇÒ ¼ö ÀÖ½À´Ï´Ù. ÇØ´ç Áö¼ö´Â ¸ÅÀÏ °»½ÅµË´Ï´Ù.
Close
°øÀ¯Çϱâ
Á¤°¡

28,000¿ø

  • 28,000¿ø

    840P (3%Àû¸³)

ÇÒÀÎÇýÅÃ
Àû¸³ÇýÅÃ
  • S-Point Àû¸³Àº ¸¶ÀÌÆäÀÌÁö¿¡¼­ Á÷Á¢ ±¸¸ÅÈ®Á¤ÇϽŠ°æ¿ì¸¸ Àû¸³ µË´Ï´Ù.
Ãß°¡ÇýÅÃ
¹è¼ÛÁ¤º¸
  • 4/20(Åä) À̳» ¹ß¼Û ¿¹Á¤  (¼­¿ï½Ã °­³²±¸ »ï¼º·Î 512)
  • ¹«·á¹è¼Û
ÁÖ¹®¼ö·®
°¨¼Ò Áõ°¡
  • À̺¥Æ®/±âȹÀü

  • ¿¬°üµµ¼­

  • »óÇ°±Ç

AD

Ã¥¼Ò°³

ÄÄÇ»Å͸¦ ü°èÀûÀ¸·Î ¹è¿ì·Á¸é ÀÚ¹Ù, C, C++, ÆÄÀ̽ã°ú °°Àº ¾ð¾î Áß Àû¾îµµ ÇϳªÀÇ ¾ð¾î¸¦ ¾î·Á¿ò ¾øÀÌ ±¸»çÇÒ ¼ö ÀÖ¾î¾ß ÇÏ°í, ±×´ÙÀ½¿£ ¹Ýµå½Ã ÀڷᱸÁ¶¸¦ ÀÌÇØÇÏ¿©¾ß ÇÑ´Ù. ¾Æ¹«¸® ÇÁ·Î±×·¡¹Ö ¾ð¾î¸¦ Àß ÀÌÇØÇÏ°í ÀÖ´õ¶óµµ ÀڷᱸÁ¶¿¡ ´ëÇÑ ±âº»Áö½Ä ¾øÀÌ ½ÇÁ¦ ÀÀ¿ëÀ» À§ÇÑ È¿À²ÀûÀÎ ¼ÒÇÁÆ®¿þ¾î¸¦ ÀÛ¼ºÇÏ´Â °ÍÀº °ÅÀÇ ºÒ°¡´ÉÇÏ´Ù. ÀÌ´Â ÇѱÛÀ» ±ú¿ìÄ¡ÀÚ¸¶ÀÚ ½Ã³ª ¼Ò¼³À» ¾µ ¼ö ¾ø´Â °Í°ú °°Àº ÀÌÄ¡ÀÌ´Ù.
ÀÚ¹Ù´Â PC¿¡¼­ µ¥ÀÌÅÍ ¼¾ÅÍ, °ÔÀÓ Äֿܼ¡¼­ ½´ÆÛÄÄÇ»ÅÍ, ÇÚµåÆù¿¡¼­ ÀÎÅͳݱîÁö °ÅÀÇ ¸ðµç Ç÷§Æû¿¡¼­ ¼öÇàµÇ´Â ÇÁ·Î±×·¡¹Ö ¾ð¾î·Î¼­ ´Ù¸¥ ¾ð¾î¿¡ ºñÇØ ¼ÒÇÁÆ®¿þ¾î¸¦ °³¹ßÇÏ´Â µ¥ ¸Å¿ì À¯¿ëÇÑ ÇÁ·Î±×·¡¹Ö ȯ°æÀ» Á¦°øÇÑ´Ù. ÀÚ¹Ù ¾ð¾î´Â ƯÈ÷ ¼öÇà ¼º´ÉÀÇ ÃÖÀûÈ­°¡ ÇÊ¿äÇÑ ¼ÒÇÁÆ®¿þ¾î °³¹ß¿¡ ¸Å¿ì ÀûÇÕÇÏ¿© ¼ÒÇÁÆ®¿þ¾î °³¹ßÀÚµéÀÌ °¡Àå ¼±È£ÇÏ´Â ÇÁ·Î±×·¡¹Ö ¾ð¾îÀÌ´Ù.

º»¼­´Â ÀڷᱸÁ¶ÀÇ ÀÌÇØ¿¡ ÀÖ¾î °¡Àå ±âº»ÀûÀÌ°í °øÅëµÈ ºÎºÐÀ» ¹ßÃé, Á¤¸®ÇÔ°ú µ¿½Ã¿¡ ºñ±³Àû »õ·Î¿î ÁÖÁ¦ÀÎ ÁÂÆíÇâ(Left-Leaning) ·¹µå ºí·¢ Æ®¸®, Tim Sort¿Í ÀÌÁß Çǹþ Äü Á¤·Ä(Dual Pivot Quick Sort), ¼Ò¼È ³×Æ®¿öÅ© ºÐ¼®(Social Network Analysis)ÀÇ ÀÀ¿ëÀ» Ãß°¡ÇÏ¿´´Ù. º»¼­´Â ±âÁ¸ ¼­Àûµé¿¡¼­ °øÅëÀûÀ¸·Î °­Á¶ÇÏ°í ÀÖ´Â Æ÷ÀÎÅÍ °³³ä, ¿¬°á ¸®½ºÆ®, ½ºÅÃ, Å¥, Æ®¸® ¾ÕºÎºÐ µîÀº ±âº»ÀûÀÎ °³³ä À§ÁÖ·Î ¼³¸íÇÏ°í, ÀڷᱸÁ¶ÀÇ ÇÙ½ÉÀ̶ó ÇÒ ¼ö Àִ Ž»ö Æ®¸®, ÇؽÌ, ¿ì¼±¼øÀ§ Å¥, Á¤·Ä, ±×·¡ÇÁ¸¦ ½Éµµ ÀÖ°Ô ´Ù·ç¸ç, ¾Æ¿ï·¯ »õ·Î¿î ÀڷᱸÁ¶¸¦ Ãß°¡·Î ¼Ò°³ÇÑ´Ù.

µ¶ÀÚµéÀÇ ½¬¿î ÀÌÇظ¦ À§ÇØ º»¼­´Â ´ëºÎºÐÀÇ ÀڷᱸÁ¶¸¦ ´ÙÀ½ÀÇ ´Ù¼¸ ´Ü°è¿¡ µû¶ó ¼³¸íÇÑ´Ù.
1. ÁÖ¾îÁø ÀڷᱸÁ¶¿¡ ´ëÇÑ ÀÌÇØ
2. ÇÙ½É ¾ÆÀ̵ð¾î ¼Ò°³
3. ¿¹Á¦
4. ÀÚ¹Ù ÇÁ·Î±×·¥
5. ¼öÇà ½Ã°£ ºÐ¼®
º»¼­´Â ±âº»ÀûÀ¸·Î °¢ ÀڷᱸÁ¶ÀÇ Çʿ伺À» ¼Ò°³ÇÏ°í, ÀڷᱸÁ¶¸¦ ÀÌÇØÇÏ´Â µ¥ µµ¿òÀÌ µÇ´Â ÇÙ½É ¾ÆÀ̵ð¾î¸¦ »ìÆ캻´Ù. ¶ÇÇÑ ÀڷᱸÁ¶¿¡ ´ëÇÑ ¿¹Á¦¸¦ ÅëÇØ ÀÌÇظ¦ µµ¿ì¸ç, ÀÚ¹Ù ÇÁ·Î±×·¥À¸·Î ±¸ÇöÇÑ ÀڷᱸÁ¶¸¦ Á¦½ÃÇÏ°í, ¼öÇà ½Ã°£À» ºÐ¼®ÇÑ´Ù. ¾Æ¿ï·¯ ÀڷᱸÁ¶ÀÇ ÀÀ¿ë ¹× È°¿ë ºÐ¾ß¸¦ »ìÆ캸°í, ´ëºÎºÐÀÇ ÀÚ¹Ù ÇÁ·Î±×·¥À» Eclipse ÅëÇÕ °³¹ß ȯ°æ¿¡¼­ ½ÇÁ¦·Î ½ÇÇà½ÃŲ °á°ú È­¸é ¶ÇÇÑ º¸¿©ÁØ´Ù. ´Ü, ¸î¸î ÀڷᱸÁ¶¿¡ ´ëÇÑ ÀÚ¹Ù ÇÁ·Î±×·¥Àº ³Ê¹« ±æ¾î »ý·«ÇÏ¿´°í °³³ä À§ÁÖ·Î ¼­¼úÇÏ¿´´Ù.

ÃâÆÇ»ç ¼­Æò

ÀÌ Ã¥ÀÇ ÁÖ¿ä ³»¿ë

º»¼­ÀÇ °¢ PartÀÇ ³»¿ëÀ» °£·«È÷ ³ª¿­Çغ¸¸é ´ÙÀ½°ú °°´Ù.
¤ýPart 1 ÀڷᱸÁ¶¸¦ ¹è¿ì±â À§ÇÑ Áغñ
ÀڷᱸÁ¶¿Í Ãß»ó µ¥ÀÌÅÍ Å¸ÀÔ, ¼öÇà ½Ã°£ÀÇ ºÐ¼®, ¼öÇà ½Ã°£ÀÇ Á¡±Ù Ç¥±â¹ý, ÀÚ¹Ù ¾ð¾îÀÇ ±âº» Áö½Ä, ±×¸®°í ¼øȯ¿¡ ´ëÇØ »ìÆ캻´Ù.
¤ýPart 2 ¸®½ºÆ®
¹è¿­, ´Ü¼ø ¿¬°á ¸®½ºÆ®, ÀÌÁß ¿¬°á ¸®½ºÆ®, ¿øÇü ¿¬°á ¸®½ºÆ®¸¦ ¼³¸íÇÑ´Ù.
¤ýPart 3 ½ºÅðú Å¥
½ºÅÃ, Å¥, µ¥Å© ÀڷᱸÁ¶¸¦ ´Ù·é´Ù.
¤ýPart 4 Æ®¸®
ÀϹÝÀûÀÎ Æ®¸®, ÀÌÁø Æ®¸®, ÀÌÁø Æ®¸®¿¡¼­ÀÇ ¼øȸ ¹× ±âŸ ±âº»ÀûÀÎ ¿¬»ê, ÁýÇÕÀ» À§ÇÑ Æ®¸® ¿¬»êÀ¸·Î¼­ Union-Find ¿¬»êÀ» °¢°¢ ¼Ò°³ÇÑ´Ù.
¤ýPart 5 Ž»ö Æ®¸®
ÀÌÁø Ž»ö Æ®¸®, AVL Æ®¸®, 2-3 Æ®¸®, ·¹µå ºí·¢ Æ®¸®(Left-Leaning Red Black Tree), B-Æ®¸®¸¦ ¼Ò°³Çϸç, ƯÈ÷ ÀÌÁø Ž»ö Æ®¸®, AVL Æ®¸®, ·¹µå ºí·¢ Æ®¸®´Â ÀÚ¹Ù ÇÁ·Î±×·¥À» ÅëÇÏ¿© »ó¼¼È÷ ¼³¸íÇÑ´Ù.
¤ýPart 6 Çؽà Å×À̺í
Çؽà ÇÔ¼ö, Ãæµ¹ ÇØ°á ¹æ¹ýÀ¸·Î ¼±Çü Á¶»ç, ÀÌÂ÷ Á¶»ç, ·£´ý Á¶»ç, ÀÌÁß ÇؽÌ, üÀÌ´×À» ¹è¿ì°í, »õ·Î¿î Ãæµ¹ ÇØ°á ¹æ½ÄÀÎ À¶ÇÕ ÇؽÌ(Coalesced Hashing), 2-¹æÇâ üÀÌ´×(Two-Way Chaining), »µ²Ù±â ÇؽÌ(Cuckoo Hashing) À» ¼Ò°³Çϸç, ÀçÇؽ̰ú µ¿Àû ÇؽÌÀ» °¢°¢ »ìÆ캻´Ù.
¤ýPart 7 ¿ì¼±¼øÀ§ Å¥
ÀÌÁø Èü°ú ±×ÀÇ ÀÀ¿ëÀÎ ÇãÇÁ¸¸ ¾ÐÃà ¾Ë°í¸®ÁòÀ» ¼Ò°³ÇÏ°í, Leftist Èü, Skew Èü, ÀÌÇ× Èü(Binomial Heap), ÇǺ¸³ªÄ¡ Èü(Fibonacci Heap)À» °¢°¢ ¼Ò°³ÇÑ´Ù.
¤ýPart 8 Á¤·Ä
±âº»ÀûÀÎ Á¤·Ä ¾Ë°í¸®ÁòÀÎ ¼±Åà Á¤·Ä, »ðÀÔ Á¤·ÄÀ» ´Ù·ç°í, À̺¸´Ù È¿À²ÀûÀÎ ½© Á¤·Ä, ÇÕº´ Á¤·Ä, Äü Á¤·Ä, Èü Á¤·ÄÀ» »ìÆ캸¸ç, Á¤·Ä ¹®Á¦ÀÇ ÇÏÇÑÀ» ¾Ë¾Æº¸°í, ƯÁ¤ ȯ°æ¿¡¼­ »ç¿ëµÇ´Â ±â¼ö Á¤·Ä°ú ¿ÜºÎ Á¤·ÄÀ» ¼Ò°³ÇÑ´Ù. ¶ÇÇÑ ºñ±³Àû ÃÖ±Ù¿¡ ¼Ò°³µÇ¾ú°í ÀÚ¹Ù, ÆÄÀ̼±, ¾Èµå·ÎÀ̵åÀÇ ½Ã½ºÅÛ Á¤·Ä·Î äÅÃµÈ Tim Sort¿Í ÀÚ¹ÙÀÇ ¿ø½Ã ŸÀÔ ½Ã½ºÅÛ Á¤·ÄÀÎ ÀÌÁß Çǹþ Äü Á¤·Ä(Dual Pivot Quicksort)Àº ºÎ·Ï¿¡¼­ ¼Ò°³ÇÑ´Ù.
¤ýPart 9 ±×·¡ÇÁ
±íÀÌ ¿ì¼± Ž»ö, ³Êºñ ¿ì¼± Ž»öÀ» °øºÎÇÏ°í, ±âº»ÀûÀÎ ±×·¡ÇÁ ¾Ë°í¸®ÁòÀÎ À§»ó Á¤·Ä, ÀÌÁß ¿¬°á ¼ººÐ, °­ ¿¬°á ¼ººÐ ¾Ë°í¸®ÁòÀ» »ìÆ캻´Ù. ¶ÇÇÑ Kruskal, Prim, SollinÀÇ ÃÖ¼Ò ½ÅÀå Æ®¸® ¾Ë°í¸®ÁòÀ» ¼Ò°³ÇÏ°í, Dijkstra, Bellman-Ford, Floyd-Warshall ÃÖ´Ü °æ·Î ¾Ë°í¸®ÁòÀ» ÀÌÇØÇÏ°í ºÐ¼®ÇÏ¸ç ¸¶Áö¸·À¸·Î ±×·¡ÇÁÀÇ ÀÀ¿ëÀ¸·Î¼­ ¼Ò¼È ³×Æ®¿öÅ© ºÐ¼®(Social Network Analysis)ÀÇ Á߽ɼº(Centrality)°ú Ä¿¹Â´ÏƼ ã±â(Community Detection)¸¦ ¼Ò°³ÇÑ´Ù.
¤ýºÎ·Ï
»ó°¢ ºÐ¼®(Amortized Analysis)À» »ó¼¼È÷ ¾Ë¾Æº¸°í, ÀÚ¹Ù ¸Þ¸ð¸®¸¦ »ìÆ캸¸ç, ÀÚ¹ÙÀÇ °¡ºñÁö Ä÷º¼Ç(Garbage Collection)ÀÇ ¿©·¯ °¡Áö ¹æ¹ýÀ» ¼Ò°³ÇÑ´Ù. ¶ÇÇÑ ÀÌÁø Ž»ö Æ®¸®¿Í °ü·ÃµÈ ÀÌÁø Ž»öÀ» ¼Ò°³Çϸç, Part 4ÀÇ ÀÌÁø Æ®¸®¸¦ À§ÇÑ ÀÚ¹Ù ÇÁ·Î±×·¥À» Á¦°øÇϸç, Tim Sort¿Í ÀÌÁß Çǹþ Äü Á¤·Ä(Dual Pivot Quick Sort)À» »ìÆ캸¸ç, ÃÖ¼Ò ½ÅÀå Æ®¸® ¾Ë°í¸®ÁòµéÀÌ ¿Ö Ç×»ó Á¤È®ÇÑ Çظ¦ ¹ÝȯÇÏ´Â Áö¸¦ Cut PropertyÀÇ Áõ¸íÀ» ÅëÇÏ¿© ¾Ë¾Æº»´Ù.

º»¼­´Â ÀÚ¹Ù ¾ð¾î¿¡ ´ëÇÑ ±âº» °³³äÀ» °®Ãá ÇкΠ2Çгâ»ýÀ» À§ÇÏ¿© ÁýÇʵǾúÀ¸³ª, º¯¸®»ç ¹× ±â¼ú°í½ÃÀÇ Áغñ¼­·Î¼­µµ Ãæ½ÇÇÑ ¿ªÇÒÀ» ÇÒ °ÍÀ̸ç, ¿Ã¸²ÇǾƵå¿Í °°Àº °æ½Ã´ëȸ¸¦ ÁغñÇÏ´Â Çлýµé¿¡°Ôµµ µµ¿òÀÌ µÉ °ÍÀÌ´Ù. ¶ÇÇÑ µ¥ÀÌÅÍ »çÀ̾ð½º, ÀΰøÁö´É, ÀüÀÚ°øÇÐ, ¼öÇÐ, »ý¸í°øÇÐ, °æ¿µÇÐÀ» Àü°øÇÏ´Â Çлýµé¿¡°Ô´Â ÀڷᱸÁ¶¸¦ ½º½º·Î ¹è¿ì°í ÀÍÈú ¼ö ÀÖ´Â ÁÁÀº ÀÔ¹®¼­°¡ µÇ¸®¶ó »ý°¢ÇÑ´Ù. µ¶ÀÚµéÀÌ ÀڷᱸÁ¶ÀÇ ±âº» °³³äÀ» ÀÌÇØÇÔÀ¸·Î½á ±Ã±ØÀûÀ¸·Î´Â ½Ç¼¼°è¿¡¼­ ¾î¶² ¹®Á¦¿Í ¸¶ÁÖÇÏ´õ¶óµµ È¿À²ÀûÀ¸·Î ¹®Á¦¸¦ ÇØ°áÇÏ´Â ÇÁ·Î±×·¥À» ÀÛ¼ºÇÒ ¼ö ÀÖ°Ô µÇ±â¸¦ ¹Ù¶õ´Ù.

ƯÈ÷ °³Á¤ÆÇ¿¡´Â 270¿© °³ÀÇ °´°ü½Ä°ú ÁÖ°ü½Ä ¿¬½À¹®Á¦°¡ Ãß°¡µÇ¾ú°í, ´ëºÎºÐ °¢ PartÀÇ ³»¿ë¿¡ ´ëÇÑ Á¤È®ÇÑ ÀÌÇظ¦ È®ÀÎÇÒ ¼ö ÀÖµµ·Ï ÃâÁ¦µÇ¾ú´Ù. ÀûÁö ¾ÊÀº ¼öÀÇ ¹®Á¦´Â IT ±â¾÷ÀÇ ÀÔ»ç ÀÎÅÍºä ¹®Á¦·Îµµ ¼Õ»ö¾ø°í, ¶Ç ±âÃâ ¹®Á¦µéµµ Æ÷ÇԵǾî ÀÖ´Ù. ±×¸®°í °¢ Part ¸ÇµÚ¿¡´Â ITȸ»çÀÇ Job ÀÎÅÍºä ¹®Á¦°¡ ½¬¾î°¡±â·Î Ãß°¡µÇ¾ú´Ù.
ÀÏÀÏÀÌ ´Ù ¿­°ÅÇÒ ¼ö´Â ¾øÁö¸¸, ¸¶Áö¸· ´Ü°è¿¡¼­ ¿ø°í¸¦ ²Ä²ÄÈ÷ ÀÐ°í °ËÅäÇØÁØ ¾ç¿ø¼®±ºÀÇ µµ¿ò¿¡ °í¸¶¿òÀ» Ç¥ÇÑ´Ù. ¶ÇÇÑ Ç³ºÎÇÑ ÀúÀÛ È°µ¿ °æÇèÀ¸·Î Áö¼ÓÀûÀÎ Á¶¾ðÀ» ¾Æ³¢Áö ¾ÊÀ¸½Å ÃÖÀ±Ã¶ ±³¼ö´ÔÀÇ ¼º¿ø¿¡ ±íÀº °¨»ç¸¦ µå¸°´Ù. ¾Æ¿ï·¯ ÀÌ Ã¥ÀÇ ½ÃÀÛ°ú ¿Ï¼ºÀÇ Àü °úÁ¤À» À̲ø¾î ÁֽŠ»ý´ÉÃâÆÇ»ç ±è½Â±â »çÀå´Ô°ú ÃÖº¹¶ô »ó¹«´Ô, ÃâÆÇ °úÁ¤¿¡¼­ ¸¹ÀÌ ¾Ö½á ÁֽŠ±è¹Îº¸ Â÷Àå´Ô ¹× ÆíÁý ´ã´ç °ü°èÀںе鲲µµ Áø½ÉÀ¸·Î °¨»çµå¸°´Ù.

¸ñÂ÷

PART 01 ÀڷᱸÁ¶¸¦ ¹è¿ì±â À§ÇÑ Áغñ
1.1 ÀڷᱸÁ¶¿Í Ãß»ó µ¥ÀÌÅÍ Å¸ÀÔ
1.2 ¼öÇà ½Ã°£ÀÇ ºÐ¼®
1.3 ¼öÇà ½Ã°£ÀÇ Á¡±Ù Ç¥±â¹ý
1.4 ÀÚ¹Ù ¾ð¾î¿¡ ´ëÇÑ ±âº» Áö½Ä
1.5 ¼øȯ
¡á¿ä¾à
¡á¿¬½À¹®Á¦

PART 02 ¸®½ºÆ®
2.1 ¹è¿­
2.2 ´Ü¼ø ¿¬°á ¸®½ºÆ®
2.3 ÀÌÁß ¿¬°á ¸®½ºÆ®
2.4 ¿øÇü ¿¬°á ¸®½ºÆ®
¡á¿ä¾à
¡á¿¬½À¹®Á¦

PART 03 ½ºÅðú Å¥
3.1 ½ºÅÃ
3.2 ť
3.3 µ¥Å©(Deque)
¡á¿ä¾à
¡á¿¬½À¹®Á¦

PART 04 Æ®¸®
4.1 Æ®¸®
4.2 ÀÌÁø Æ®¸®
4.3 ÀÌÁø Æ®¸®ÀÇ ¿¬»ê
4.4 ¼­·Î¼Ò ÁýÇÕÀ» À§ÇÑ Æ®¸® ¿¬»ê
¡á¿ä¾à
¡á¿¬½À¹®Á¦

PART 05 Ž»ö Æ®¸®
5.1 ÀÌÁø Ž»ö Æ®¸®
¤Ô¤Ô5.1.1 ÀÌÁø Ž»ö Æ®¸® Ŭ·¡½º
¤Ô¤Ô5.1.2 Ž»ö ¿¬»ê
¤Ô¤Ô5.1.3 »ðÀÔ ¿¬»ê
¤Ô¤Ô5.1.4 ÃÖ¼Ú°ª ã±â
¤Ô¤Ô5.1.5 ÃÖ¼Ú°ª »èÁ¦ ¿¬»ê
¤Ô¤Ô5.1.6 »èÁ¦ ¿¬»ê
5.2 AVL Æ®¸®
¤Ô¤Ô5.2.1 AVL Æ®¸®ÀÇ È¸Àü ¿¬»ê
¤Ô¤Ô5.2.2 »ðÀÔ ¿¬»ê
¤Ô¤Ô5.2.3 »èÁ¦ ¿¬»ê
5.3 2-3 Æ®¸®
¤Ô¤Ô5.3.1 Ž»ö ¿¬»ê
¤Ô¤Ô5.3.2 »ðÀÔ ¿¬»ê
¤Ô¤Ô5.3.3 »èÁ¦ ¿¬»ê
5.4 ·¹µå ºí·¢ Æ®¸®
¤Ô¤Ô5.4.1 ·¹µå ºí·¢ Æ®¸® Ŭ·¡½º
¤Ô¤Ô5.4.2 Ž»ö ¿¬»ê
¤Ô¤Ô5.4.3 ·¹µå ºí·¢ Æ®¸®ÀÇ ±âº» ¿¬»ê
¤Ô¤Ô5.4.4 »ðÀÔ ¿¬»ê
¤Ô¤Ô5.4.5 ÃÖ¼Ú°ª »èÁ¦ ¿¬»ê
5.5 B-Æ®¸®
¤Ô¤Ô5.5.1 Ž»ö ¿¬»ê
¤Ô¤Ô5.5.2 »ðÀÔ ¿¬»ê
¤Ô¤Ô5.5.3 »èÁ¦ ¿¬»ê
¤Ô¤Ô5.5.4 B-Æ®¸®ÀÇ È®Àå
¡á¿ä¾à
¡á¿¬½À¹®Á¦

PART 06 Çؽà Å×À̺í
6.1 Çؽà Å×À̺í
6.2 Çؽà ÇÔ¼ö
6.3 ÀÚ¹ÙÀÇ hashCode()
6.4 °³¹æ ÁÖ¼Ò ¹æ½Ä
¤Ô¤Ô6.4.1 ¼±Çü Á¶»ç
¤Ô¤Ô6.4.2 ÀÌÂ÷ Á¶»ç
¤Ô¤Ô6.4.3 ·£´ý Á¶»ç
¤Ô¤Ô6.4.4 ÀÌÁß ÇؽÌ
6.5 Æó¼â ÁÖ¼Ò ¹æ½Ä
6.6 ±âŸ ÇؽÌ
6.7 ÀçÇØ½Ã¿Í µ¿Àû ÇؽÌ
6.8 Çؽà ¹æ¹ýÀÇ ¼º´É ºñ±³
¡á¿ä¾à
¡á¿¬½À¹®Á¦

PART 07 ¿ì¼±¼øÀ§ Å¥
7.1 ÀÌÁø Èü
7.2 ÇãÇÁ¸¸ ÄÚµù
7.3 ±âŸ ¿ì¼±¼øÀ§ Å¥
¤Ô¤Ô7.3.1 Leftist Èü
¤Ô¤Ô7.3.2 Skew Èü
¤Ô¤Ô7.3.3 ÀÌÇ× Èü
¤Ô¤Ô7.3.4 ÇǺ¸³ªÄ¡ Èü
¡á¿ä¾à
¡á¿¬½À¹®Á¦

PART 08 Á¤·Ä
8.1 ¼±Åà Á¤·Ä
8.2 »ðÀÔ Á¤·Ä
8.3 ½© Á¤·Ä
8.4 Èü Á¤·Ä
8.5 ÇÕº´ Á¤·Ä
8.6 Äü Á¤·Ä
8.7 Á¤·ÄÀÇ ÇÏÇÑ ¹× Á¤·Ä ¾Ë°í¸®ÁòÀÇ ºñ±³
8.8 ±â¼ö Á¤·Ä
8.9 ¿ÜºÎ Á¤·Ä
¡á¿ä¾à
¡á¿¬½À¹®Á¦

PART 09 ±×·¡ÇÁ
9.1 ±×·¡ÇÁ
¤Ô¤Ô9.1.1 ±×·¡ÇÁ ¿ë¾î
¤Ô¤Ô9.1.2 ±×·¡ÇÁ ÀڷᱸÁ¶
9.2 ±×·¡ÇÁ Ž»ö
¤Ô¤Ô9.2.1 ±íÀÌ ¿ì¼± Ž»ö
¤Ô¤Ô9.2.2 ³Êºñ ¿ì¼± Ž»ö
9.3 ±âº»ÀûÀÎ ±×·¡ÇÁ ¾Ë°í¸®Áò
¤Ô¤Ô9.3.1 À§»ó Á¤·Ä
¤Ô¤Ô9.3.2 ÀÌÁß ¿¬°á ¼ººÐ
¤Ô¤Ô9.3.3 °­ ¿¬°á ¼ººÐ
9.4 ÃÖ¼Ò ½ÅÀå Æ®¸®
¤Ô¤Ô9.4.1 Kruskal ¾Ë°í¸®Áò
¤Ô¤Ô9.4.2 Prim ¾Ë°í¸®Áò
¤Ô¤Ô9.4.3 Sollin ¾Ë°í¸®Áò
9.5 ÃÖ´Ü °æ·Î ¾Ë°í¸®Áò
¤Ô¤Ô9.5.1 Dijkstra ¾Ë°í¸®Áò
¤Ô¤Ô9.5.2 Bellman-Ford ¾Ë°í¸®Áò
¤Ô¤Ô9.5.3 Floyd-Warshall ¾Ë°í¸®Áò
9.6 ¼Ò¼È ³×Æ®¿öÅ© ºÐ¼®
¡á¿ä¾à
¡á¿¬½À¹®Á¦

ºÎ·Ï
I »ó°¢ ºÐ¼®
II ÀÚ¹Ù ¸Þ¸ð¸®
III °¡ºñÁö Ä÷º¼Ç
IV ÀÌÁø Ž»ö
V ÀÌÁø Æ®¸® ÇÁ·Î±×·¥
VI ÀÌÁß Çǹþ Äü Á¤·Ä°ú Tim Sort
VII Cut Property

Âü°í¹®Çå
ã¾Æº¸±â

ÀúÀÚ¼Ò°³

¾ç¼ººÀ [Àú] ½ÅÀ۾˸² SMS½Åû
»ý³â¿ùÀÏ -

¿¬¼¼´ëÇб³ °ø°ú´ëÇÐ, Çлç, University of Oklahoma, ÄÄÇ»ÅÍ°úÇÐ, ¼®»ç, University of Oklahoma, ÄÄÇ»ÅÍ°úÇÐ ¹Ú»çÀÌ´Ù. ÇöÀç ¿¬¼¼´ëÇб³ ÄÄÇ»ÅÍ°úÇаú ±³¼öÀÌ´Ù.

Àü°øµµ¼­/´ëÇб³Àç ºÐ¾ß¿¡¼­ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥

    ¸®ºä

    0.0 (ÃÑ 0°Ç)

    100ÀÚÆò

    ÀÛ¼º½Ã À¯ÀÇ»çÇ×

    ÆòÁ¡
    0/100ÀÚ
    µî·ÏÇϱâ

    100ÀÚÆò

    10.0
    (ÃÑ 0°Ç)

    ÆǸÅÀÚÁ¤º¸

    • ÀÎÅÍÆÄÅ©µµ¼­¿¡ µî·ÏµÈ ¿ÀǸ¶ÄÏ »óÇ°Àº ±× ³»¿ë°ú Ã¥ÀÓÀÌ ¸ðµÎ ÆǸÅÀÚ¿¡°Ô ÀÖÀ¸¸ç, ÀÎÅÍÆÄÅ©µµ¼­´Â ÇØ´ç »óÇ°°ú ³»¿ë¿¡ ´ëÇØ Ã¥ÀÓÁöÁö ¾Ê½À´Ï´Ù.

    »óÈ£

    (ÁÖ)±³º¸¹®°í

    ´ëÇ¥ÀÚ¸í

    ¾Èº´Çö

    »ç¾÷ÀÚµî·Ï¹øÈ£

    102-81-11670

    ¿¬¶ôó

    1544-1900

    ÀüÀÚ¿ìÆíÁÖ¼Ò

    callcenter@kyobobook.co.kr

    Åë½ÅÆǸž÷½Å°í¹øÈ£

    01-0653

    ¿µ¾÷¼ÒÀçÁö

    ¼­¿ïƯº°½Ã Á¾·Î±¸ Á¾·Î 1(Á¾·Î1°¡,±³º¸ºôµù)

    ±³È¯/ȯºÒ

    ¹ÝÇ°/±³È¯ ¹æ¹ý

    ¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹ÝÇ°/±³È¯/ȯºÒ¡¯ ¿¡¼­ ½Åû ¶Ç´Â 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¹× °í°´¼¾ÅÍ(1577-2555)¿¡¼­ ½Åû °¡´É

    ¹ÝÇ°/±³È¯°¡´É ±â°£

    º¯½É ¹ÝÇ°ÀÇ °æ¿ì Ãâ°í¿Ï·á ÈÄ 6ÀÏ(¿µ¾÷ÀÏ ±âÁØ) À̳»±îÁö¸¸ °¡´É
    ´Ü, »óÇ°ÀÇ °áÇÔ ¹× °è¾à³»¿ë°ú ´Ù¸¦ °æ¿ì ¹®Á¦Á¡ ¹ß°ß ÈÄ 30ÀÏ À̳»

    ¹ÝÇ°/±³È¯ ºñ¿ë

    º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã
    »óÇ°À̳ª ¼­ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯/¹ÝÇ°Àº ¹Ý¼Û·á ÆǸÅÀÚ ºÎ´ã

    ¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯

    ·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
    (´ÜÁö È®ÀÎÀ» À§ÇÑ Æ÷Àå ÈѼÕÀº Á¦¿Ü)

    ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì
    ¿¹) È­ÀåÇ°, ½ÄÇ°, °¡ÀüÁ¦Ç°(¾Ç¼¼¼­¸® Æ÷ÇÔ) µî

    ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì
    ¿¹) À½¹Ý/DVD/ºñµð¿À, ¼ÒÇÁÆ®¿þ¾î, ¸¸È­Ã¥, ÀâÁö, ¿µ»ó È­º¸Áý

    ·½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆǸŰ¡ °ï¶õÇÑ Á¤µµ·Î °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì

    ·ÀüÀÚ»ó°Å·¡ µî¿¡¼­ÀÇ ¼ÒºñÀÚº¸È£¿¡ °üÇÑ ¹ý·üÀÌ Á¤ÇÏ´Â ¼ÒºñÀÚ Ã»¾àöȸ Á¦ÇÑ ³»¿ë¿¡ ÇØ´çµÇ´Â °æ¿ì

    »óÇ° Ç°Àý

    °ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ Ç°Àý/Áö¿¬µÉ ¼ö ÀÖÀ½

    ¼ÒºñÀÚ ÇÇÇغ¸»ó
    ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó

    ·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© 󸮵Ê

    ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼­ÀÇ ¼ÒºñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ

    (ÁÖ)KGÀ̴Ͻýº ±¸¸Å¾ÈÀü¼­ºñ½º¼­ºñ½º °¡ÀÔ»ç½Ç È®ÀÎ

    (ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º´Â ȸ¿ø´ÔµéÀÇ ¾ÈÀü°Å·¡¸¦ À§ÇØ ±¸¸Å±Ý¾×, °áÁ¦¼ö´Ü¿¡ »ó°ü¾øÀÌ (ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º¸¦ ÅëÇÑ ¸ðµç °Å·¡¿¡ ´ëÇÏ¿©
    (ÁÖ)KGÀ̴Ͻýº°¡ Á¦°øÇÏ´Â ±¸¸Å¾ÈÀü¼­ºñ½º¸¦ Àû¿ëÇÏ°í ÀÖ½À´Ï´Ù.

    ¹è¼Û¾È³»

    • ±³º¸¹®°í »óÇ°Àº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óÇ°À» ¹Þ¾Æ º¸½Ç ¼ö ÀÖ½À´Ï´Ù.

    • Ãâ°í°¡´É ½Ã°£ÀÌ ¼­·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä »óÇ°À» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.

    • ±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÕ´Ï´Ù.

    • ¹è¼Ûºñ´Â ¾÷ü ¹è¼Ûºñ Á¤Ã¥¿¡ µû¸¨´Ï´Ù.

    • - µµ¼­ ±¸¸Å ½Ã 15,000¿ø ÀÌ»ó ¹«·á¹è¼Û, 15,000¿ø ¹Ì¸¸ 2,500¿ø - »óÇ°º° ¹è¼Ûºñ°¡ ÀÖ´Â °æ¿ì, »óÇ°º° ¹è¼Ûºñ Á¤Ã¥ Àû¿ë