本书源于斯坦福大学的研究生课程，由40位学者联袂撰写，旨在推广zui坏情况分析的替代方法，以及这些方法的应用，包括聚类、线性规划和神经网络训练等。
第一部分 最坏情况分析的改进
第2章 参数化算法
第3章 从自适应分析到实例最优性
第4章 资源增广
第二部分 确定性数据模型
第5章 扰动弹性
第6章 近似解稳定性与代理目标
第7章 稀疏恢复
第三部分 半随机模型
第8章 分布分析
第9章 半随机模型简介
第10章 半随机的随机块模型
第11章 随机顺序模型
第12章 自我改进算法
第四部分 平滑分析
第13章 局部搜索的平滑分析
第14章 单纯形法的平滑分析
第15章 多目标最优化中帕累托曲线的平滑分析
第五部分 机器学习和统计学中的应用
第16章 分类噪声
第17章 健壮的高维统计
第18章 最近邻分类与搜索
第19章 高效的张量分解
第20章 主题模型与非负矩阵因式分解
第21章 为什么局部方法能够求解
第22章 过参数化模型中的泛化
第23章 实例最优的分布检验与学习
第六部分 进一步的应用
第24章 超越竞争分析
第25章 论SAT求解器的不合理的有效性
第26章 简单哈希函数何时可以满足需求
第27章 先验独立拍卖
第28章 社交网络的无分布模型
第29章 数据驱动的算法设计
第30章 带预测的算法
点击下载