• 课题背景

​算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。 算法中的指令描述的是一个计算，当其运行时能从一个初始状态和（可能为空的）初始输入开始，经过一系列有限而清晰定义的状态，最终产生输出并停止于一个终态。一个状态到另一个状态的转移不一定是确定的。随机化算法在内的一些算法，包含了一些随机输入。 而大数据（big data）是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。​

• 课题内容

​本课程会介绍一些本科等级的典型算法设计和分析。我们将介绍经典算法技术,如动态程序设计、散列和数据结构, 分治算法,网络流和线性规划。我们还将涵盖范围广泛的分析工具,如recurrences、概率分析,平摊分析和势函数。除了学习算法,我们还会涉及一些复杂性理论的研究——双重的算法设计（下界方法在这些模型中的显示和最优算法）。最后,我们将讨论新模型在现代大型数据集下的应用,比如在线算法、机器学习和数据流。​

• 导师信息

​
David Woodruff
卡内基梅隆大学计算机系终身教授
(1)CMU 数据科学项目创建者及主席
(2)曾供职于 IBM Almaden 研究中心10年，IBM 技术学院首席科学家
(3)STOC 2013 以及 PODS 2010 最佳学术研究论文奖得主
(4)EATCS Presbuger（表彰计算机科学领域年度最卓越的年轻科学家） 奖得主​

• 拓展资料

​David Woodruff-教授简历

机器学习基础：大数据算法模型与应用-课纲