这是一门关于算法设计和分析的高级课程,涵盖了在典型的算法入门课程中没有学习到的一系列主题和技术。

本课程旨在让学生熟悉过去15-20年间在算法设计中开发的(部分)主要工具和技术,这些工具和技术目前是开发高效算法的关键要素之一。

本课程将涵盖一系列主题,包括以下内容:保留切割或距离时的图的稀疏性、各种近似算法技术和概念、度量嵌入和概率树嵌入、在线算法、乘法权值更新、流媒体算法、素描算法,以及对MapReduce算法的简要介绍。

https://people.inf.ethz.ch/gmohsen/AA20/

成为VIP会员查看完整内容
0
73

相关内容

题目 Algorithms in C:C语言算法实现

关键词

算法设计,C语言,编程

简介

本书的目的是研究各种重要且有用的算法:解决适合计算机实现的问题的方法。 我们将处理许多不同的应用领域,始终尝试着重于重要的知识和学习有趣的“基本”算法。 由于涉及的领域和算法众多,因此我们无法深入研究许多方法。 但是,我们将尝试在每种算法上花费足够的时间,以了解其基本特征并尊重其微妙之处。 简而言之,我们的目标是学习当今计算机上使用的大量最重要的算法,并且足以使用和欣赏它们。

要很好地学习算法,必须实现并运行它。 因此,理解本书中介绍的程序的推荐策略是实施和测试它们,尝试使用变体,然后对实际问题进行尝试。 我们将使用C编程语言来讨论和实现大多数算法。 但是,由于我们使用的是语言的较小子集,因此我们的程序可以轻松转换为许多其他现代编程语言。

本书的读者应该至少有一年的高级和低级语言编程经验。 另外,虽然在第3章和第4章中对此材料进行了详细的介绍,但对简单数据结构(如数组,堆栈,队列和T恤)上的基本算法进行一些接触可能会有所帮助,尽管在第3章和第4章中对此材料进行了详细介绍。 还假定了其他基本计算机科学概念。 (我们将在适当的时候简要地回顾这些材料,但始终在解决特定问题的上下文中。)我们处理的一些应用领域需要基本演算的知识。 我们还将使用一些非常基本的材料,包括lin-ear代数,几何和离散数学,但是这些主题的先前知识不是必需的。

目录


成为VIP会员查看完整内容
0
52

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
134

本文采用了一种独特的机器学习方法,它包含了对进行研究、开发产品、修补和玩耍所必需的所有基本概念的全新的、直观的、但又严谨的描述。通过优先考虑几何直观,算法思维,和实际应用的学科,包括计算机视觉,自然语言处理,经济学,神经科学,推荐系统,物理,和生物学,这篇文章为读者提供了一个清晰的理解基础材料以及实际工具需要解决现实世界的问题。通过深入的Python和基于MATLAB/ octave的计算练习,以及对前沿数值优化技术的完整处理,这是学生的基本资源,也是从事机器学习、计算机科学、电子工程、信号处理和数值优化的研究人员和实践者的理想参考。其他资源包括补充讨论主题、代码演示和练习,可以在官方教材网站mlrefined.com上找到。

  • 建立在清晰的几何直觉上的讲述
  • 最先进的数值优化技术的独特处理
  • 逻辑回归和支持向量机的融合介绍
  • 将功能设计和学习作为主要主题
  • 通过函数逼近的视角,先进主题的无与伦比的呈现
  • 深度神经网络和核方法的细化描述
成为VIP会员查看完整内容
0
138

主题: Hyper-Parameter Optimization: A Review of Algorithms and Applications

摘要: 自深度神经网络发展以来,它们为人们的日常生活做出了巨大的贡献。机器学习在日常生活的方方面面提供了比人类所能提供的更合理的建议。然而,尽管取得了这一成就,神经网络的设计和训练仍然具有挑战性和不可预测的过程,这些过程被称为炼金术。为了降低普通用户的技术门槛,自动化超参数优化(HPO)已成为学术界和工业界的热门话题。本文对高性能氧最基本的课题进行了综述。第一节介绍了与模型训练和结构有关的关键超参数,并讨论了它们的重要性和定义取值范围的方法。然后,重点研究了主要的优化算法及其适用性,包括它们的效率和精度,特别是对于深度学习网络。本研究接下来回顾了HPO的主要服务和工具包,比较了它们对最新搜索算法的支持、与主要深度学习框架的可行性以及用户设计的新模块的可扩展性。本文总结了HPO应用于深度学习中存在的问题,优化算法的比较,以及在计算资源有限的情况下模型评估的突出方法。

成为VIP会员查看完整内容
0
43

创建健壮的软件需要使用高效的算法,但是程序员在问题出现之前很少考虑这些算法。这个更新版的算法简而言之描述了大量现有的算法,用于解决各种各样的问题,并帮助您选择和实现适合您需要的正确算法—只需足够的数学知识就可以让您理解和分析算法的性能。

本书的重点是应用,而不是理论,它提供了几种编程语言的高效代码解决方案,您可以轻松地适应特定的项目。每个主要算法都以设计模式的形式呈现,其中包含帮助您理解为什么以及何时使用该算法的信息。

有了这本书,你将: 解决特定的编码问题或改进现有解决方案的性能 快速定位与您想要解决的问题相关的算法,并确定为什么使用特定的算法是正确的 通过实现技巧获得C、c++、Java和Ruby中的算法解决方案 了解一个算法的预期性能,以及它需要在最佳状态下执行的条件 发现相似的设计决策对不同算法的影响 学习先进的数据结构,提高算法的效率

成为VIP会员查看完整内容
0
121

《算法:设计与分析》是为计算机科学、工程、信息技术和计算机应用专业的本科生和研究生设计的教材。本书提供了理论和数学并俱的概念。它涵盖了算法的基础、设计技术、高级主题和应用。本书也将作为研究人员和打算追求算法设计的专业程序员一个有用的参考。本书还为准备校园面试和竞争性考试的学生提供了参考。

  • 提供深入的主题处理,如复杂性分析、设计范例、数据结构和机器学习算法
  • 介绍 Decrease and Conquer, Transform and Conquer 和 PSpace 以及标准范例等主题
  • 解释包括欧几里德定理和中国剩余定理在内的数值方法,并回顾基本的数学概念
  • 在每章的结尾提供要点和关键术语列表,帮助读者快速回忆重要的概念
  • 在每一章结尾和附录10中给出的练习将帮助学生为考试和面试做准备

Harsh Bhasin, Assistant Professor, FMIT, Jamia Hamdard, New Delhi

成为VIP会员查看完整内容
0
107

本书简介:

这本书介绍了数据类型(简单和结构化)和算法与图形和文本的解释。在下一节中,您将介绍简单和复杂的标准算法及其流程图:所有内容都与解释和表集成在一起,以提供算法的逐步发展。

主要的算法有:循环中三个或n个数字的和、十进制到二进制的转换、最大和最小搜索、线性/顺序搜索、二进制搜索、冒泡排序、选择排序、两个排序数组的合并、从文件中读取字符、堆栈管理、阶乘和斐波那契序列。

C语言算法介绍的最后一部分是C语言的介绍和代码的实现,这部分是与所研究的算法相关的。这本书充满了屏幕截图和说明代码意义的插图。

你会学到什么

  • 在C语言中实现算法
  • 处理变量、常量、基本类型和结构化类型
  • 使用数组、堆栈、队列、图、树、散列表、记录和文件
  • 探索算法的设计
  • 解决搜索问题,包括二分查找、排序和冒泡/选择排序
  • 用阶乘函数和斐波那契数列编制递归算法

这本书是给谁看的

初级入门:对于任何第一次学习计算机科学和信息系统的人来说,它都是一个起点。

目录:

成为VIP会员查看完整内容
0
90

简介: 这本书需要数学思维,但只需要基本的背景知识。 在本书的大部分内容中,我们都假设您具备基本的计算机科学知识(算法,复杂性)和基本的概率论。 在更多的技术部分中,我们假设您熟悉Markov决策问题(MDP),数学编程(特别是线性和整数编程)和经典逻辑。

所有这些(基本计算机科学除外)都在附录中进行了简要介绍,但是它们只是作为更新和建立符号的用途,不能替代这些主题的背景知识。 (尤其是概率论,这是正确的。)但是,最重要的是,先决条件是具有清晰思考的能力。

本书包括13个章节,大致分为以下几部分:

Block 1, Chapters 1–2:分布式问题解决

Block 2, Chapters 3–6:非合作博弈论

Block 3, Chapters 7:learning

Block 4, Chapters 8:交流

Block 5, Chapters 9–11:组协议

Block 6, Chapters 12:联盟博弈论

Block 7, Chapters 13–14:逻辑理论

部分目录:

成为VIP会员查看完整内容
0
104

机器学习是计算机科学发展最快的领域之一,有着广泛的应用。这本教科书的目的是以一种有原则的方式介绍机器学习和它提供的算法范例。这本书提供了一个基本的理论基础的机器学习和数学推导,将这些原则转化为实际的算法。在介绍了基础知识之后,这本书涵盖了以前教科书没有涉及到的一系列广泛的中心主题。这些包括讨论学习的计算复杂性和凸性和稳定性的概念;重要的算法范例包括随机梯度下降、神经网络和结构化输出学习;以及新兴的理论概念,如PAC-Bayes方法和基于压缩的边界。为高级本科生或刚开始的研究生设计,文本使学生和非专业读者在统计,计算机科学,数学和工程的机器学习的基础和算法。

成为VIP会员查看完整内容
understanding-machine-learning-theory-algorithms.pdf
0
109
小贴士
相关主题
相关论文
Leena Chennuru Vankadara,Siavash Haghiri,Michael Lohaus,Faiz Ul Wahab,Ulrike von Luxburg
0+阅读 · 2020年12月2日
Zhou Zhou,Yan Xin,Hao Chen,Charlie Zhang,Lingjia Liu
0+阅读 · 2020年12月2日
Saurav K. Shastri,Rizwan Ahmad,Philip Schniter
0+阅读 · 2020年12月1日
Dominik Strassel,Philipp Reusch,Janis Keuper
0+阅读 · 2020年12月1日
Kamran Kowsari,Kiana Jafari Meimandi,Mojtaba Heidarysafa,Sanjana Mendu,Laura E. Barnes,Donald E. Brown
11+阅读 · 2020年5月20日
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
23+阅读 · 2020年5月5日
Hyper-Parameter Optimization: A Review of Algorithms and Applications
Tong Yu,Hong Zhu
12+阅读 · 2020年3月12日
Fang Liu,Guoming Tang,Youhuizi Li,Zhiping Cai,Xingzhou Zhang,Tongqing Zhou
20+阅读 · 2019年11月7日
Ioannis Athanasiadis,Panagiotis Mousouliotis,Loukas Petrou
3+阅读 · 2018年11月12日
Top
微信扫码咨询专知VIP会员