「经典课程」哈佛大学大数据算法（第二部分）

哈佛大学的大数据算法（COMPSCI 229r）课程堪称经典，课程涵盖严格的方法，基于坚实的理论基础，处理海量数据。讨论的主题包括流和草图算法，降维和外部存储器算法等。

本课程讲师Jelani Nelson是哈佛大学的计算机科学系教授，John L. Loeb工程与应用科学副教授。

课程面向研究生和高级本科生，要求对算法、离散概率和线性代数等数学知识掌握成熟。

本文是该课程的第二部分，包括八节课，平均每节课1.5小时。

第九讲

通信复杂性(索引、差距汉明)+ 应用到中位数和F 0下限。

第十讲

随机和近似F0下界，不相交，Fp下界，降维(JL引理)。

第十一讲

khitchine，解耦，Hanson -Wright，分配JL引理的证明。

第十二讲

阿隆的JL下界，超越最坏情况下的分析：高斯过程的最高点，戈登定理。

第十三讲

ORS定理(分配JL隐含戈登定理)，稀疏JL。

第十四讲

稀疏JL证明摘要，快速JL变换，近似最近邻。

第十五讲

基于采样的Frobenius误差近似矩阵乘法/JL，矩阵中值技巧，子空间嵌入。

第十六讲

通过子空间嵌入的线性最小二乘，杠杆分数采样，非交换辛钦，不经意的子空间嵌入。

课程链接：https://pan.baidu.com/s/1miSUlba

—完—

---

亲爱的朋友：

之前，我们刊了课程的第一部分，有很多读者收藏和点赞。

今天是课程的第二部分，如果你没有看到第一部分，可以在我们的历史信息中找到。希望本文对喜欢这个领域的你有所帮助。

祝安！

智能观 一米

2018-1-3 于北京中关村

---