随机算法 (Fall 2011)

From TCS Wiki
Revision as of 12:31, 21 July 2011 by imported>WikiSysop (→‎学术道德 Academic Integrity)
Jump to navigation Jump to search
随机算法 Randomized Algorithms

Randomized Algorithms by Motwani and Raghavan
Instructor
尹一通
Email yitong.yin@gmail.com yinyt@nju.edu.cn
office 蒙民伟楼 406
Class
Class meetings TBA
TBA
Office hours TBA
Textbook
Motwani and Raghavan, Randomized Algorithms. Cambridge Univ Press, 1995.
v · d · e

This is the page for the class Randomized Algorithms for the Fall 2011 semester. Students who take this class should check this page periodically for content updates and new announcements.

Announcement

There is no announcement yet.

Course info

  • Instructor : 尹一通,
  • email: yitong.yin@gmail.com, yinyt@nju.edu.cn
  • office: MMW 406.
  • Class meeting: TBA.
  • Office hour: TBA.

Syllabus

随机化(randomization)是现代计算机科学最重要的方法之一,近二十年来被广泛的应用于计算机科学的各个领域。在这些应用的背后,是一些共通的随机化原理。在随机算法这门课程中,我们将用数学的语言描述这些原理,将会介绍以下内容:

  • 一些重要的随机算法的设计思想和理论分析;
  • 概率论工具及其在算法分析中的应用,包括常用的概率不等式,以及数学证明的概率方法 (the probabilistic method);
  • 随机算法的概率模型,包括典型的随机算法模型,以及概率复杂度模型。

作为一门理论课程,这门课的内容偏重数学上的分析和证明。这么做的目的不单纯是为了追求严格性,而是因为用更聪明的方法去解决问题往往需要具备有一定深度的数学思维和数学洞察力。

先修课程 Prerequisites

  • 必须:离散数学,概率论,线性代数。
  • 推荐:算法设计与分析。

Course materials

成绩 Grades

  • 课程成绩:本课程将会有六次作业和一次期末考试。最终成绩将由平时作业成绩和期末考试成绩综合得出。
  • 迟交:如果有特殊的理由,无法按时完成作业,请提前联系授课老师,给出正当理由。否则迟交的作业将不被接受。

学术道德 Academic Integrity

学术道德是所有从事学术活动的学生和学者最基本的职业道德底线,本课程将不遗余力的维护学术道德规范,违反这一底线的行为将不会被容忍。

作业完成的原则:署你名字的工作必须是由你完成的。合作的方式仅限于通过讨论来共同探索解题的方法。作业文本的组织和书写必须由个人独立完成,并在作业中列出所有参与讨论的人。其他任何形式的合作将不被允许——尤其是与已经完成作业的同学“讨论”。

本课程将对剽窃行为采取零容忍态度。在完成作业过程中,对他人工作(出版物、互联网资料、其他人的作业等)直接的文本抄袭和对关键思想、关键元素的抄袭,以及在语言上的故意变换,按照 ACM Policy on Plagiarism,都将视为剽窃。剽窃者成绩将被取消。如果发现互相抄袭行为, 抄袭和被抄袭双方的成绩都将被取消。因此请主动防止自己的作业被他人抄袭。

学术道德影响学生个人的品行,也关乎整个教育系统的正常运转。为了一点分数而做出的学术不端行为,不仅使自己成为了欺骗者,也会使他人的诚实努力失去意义。让我们一起努力维护一个诚信的环境。

Assignments

There is no assignments yet.

Lecture Notes

  1. Introduction
  2. Probability Basics
  3. Balls and Bins
  4. Moment and Deviation
  5. Hashing and Fingerprinting
  6. Chernoff Bound
  7. Concentration of Measure
  8. Dimension Reduction
  9. The Probabilistic Method
  10. Approximation Algorithms, On-line Algorithms
  11. Markov Chain and Random Walk
  12. Random Walk Algorithms
  13. Coupling and Mixing Time
  14. Expander Graphs I
  15. Expander Graphs II
  16. Sampling and Counting
  17. Markov Chain Monte Carlo (MCMC)
  18. Complexity

The Probability Theory Toolkit

reducibility, Periodicity, stationary distribution, hitting time, cover time;
mixing time, conductance