study_guide.md

I. 개념 정립

이론을 자신의 것으로 체화하는 단계입니다. 메타인지를 활용하여 학습의 효율을 높이는 것이 핵심입니다.

• 능동적 재구성

  • 단순한 Copy-Paste는 지식의 파편화만 초래할 뿐, 문제 해결에 필요한 스키마(Schema)를 형성하지 못합니다. 학습한 개념은 반드시 자신의 언어로 재정의하고, 핵심 원리를 요약하는 과정을 거쳐야 합니다.

• 구체화와 구현

  • 추상적인 알고리즘은 구체적인 코드로 구현될 때 비로소 의미를 갖습니다. 각 자료구조와 알고리즘에 대한 최소 기능 단위의 예시 코드를 직접 작성하여 GitHub 등에 아카이빙하는 것을 권장합니다.

  // 예시: C++로 구현한 Union-Find의 find 함수
  // 경로 압축(Path Compression) 최적화 적용
def find_parent(parent, x):
    if parent[x] == x:
        return x
    parent[x] = find_parent(parent, parent[x]) # 재귀적으로 부모를 찾아 올라가며 경로를 압축
    return parent[x]

• 지식 베이스 구축

• 학습 내용은 일관된 포맷으로 정리하여 개인화된 지식 베이스를 구축해야 합니다. 이는 복습 시 탐색 비용을 줄이고, 유사 문제에 대한 패턴 인지 능력을 높입니다.

II. 문제 해결 전략

문제 풀이는 단순히 정답을 맞히는 행위가 아니라, 자신의 논리적 허점을 발견하고 보완하는 과정입니다.

1. 성공적으로 해결한 문제

• 솔루션 추상화

  • 핵심 로직: 문제 해결에 사용된 핵심 알고리즘(e.g., BFS, Dynamic Programming)과 자료구조를 명시합니다.

  • 시간/공간 복잡도 분석: Big-O 표기법을 사용하여 구현된 솔루션의 시간 및 공간 복잡도를 반드시 분석하고 기록합니다. 이것이 최적의 해법인지 고찰하는 습관을 들여야 합니다.

• 키워드 및 함정 분석

  • 문제에서 특정 알고리즘을 암시하는 키워드("최단 거리", "모든 경우", "최대 가치" 등)를 정리합니다.

  • Integer Overflow, Empty Input, Constraints 등과 같이 놓치기 쉬운 예외 케이스(Edge Case)나 함정을 명시하여 실수를 방지합니다.

• 사고 과정 복기

  • 최종 풀이에 도달하기까지의 사고 과정을 복기합니다. 비효율적이었던 초기 접근법, 그리고 그것을 폐기하고 현재의 솔루션으로 전환하게 된 논리적 분기점을 기록하면 문제 해결 휴리스틱스가 더 정교해집니다.

2. 해결에 실패했거나 답을 참고한 문제

• 갭 분석

  • 접근법의 한계: 자신이 도달했던 최종 논리에서 왜 더 이상 진전하지 못했는지 명확하게 기술합니다.

  • 해결의 열쇠: 정답 코드가 이 교착 상태를 어떤 아이디어나 자료구조, 알고리즘을 통해 해결했는지 비교 분석합니다. 여기서 본인의 지식 갭이 드러납니다.

• 체화를 위한 반복 학습

  • 정답을 이해한 문제는 즉시 넘어가지 않습니다. 해당 풀이를 보지 않고 스스로 구현할 수 있을 때까지 연습합니다.

  • 이후 약 일주일의 간격을 두고 다시 풀어보는 과정을 통해 단기 기억을 장기 기억으로 전환해야 합니다. 이 과정을 거치지 않은 지식은 쉽게 휘발됩니다.