Лекция 7. Локальная лемма Ловаса
https://compscicenter.ru/
Лекция №7 курса «Рандомизированные алгоритмы», весна 2021 (Новосибирск).
В контексте вероятностного метода локальная лемма Ловаса позволяет нам доказать, что конкретное множество нежелательных событий можно избежать, если каждое из них достаточно невероятно и каждое из них зависит от немногих других событий.
Мы с помощью локальной леммы Ловаса покажем, что маленькие формулы в конъюнктивной нормальной форме всегда выполнимы и как подобрать коммуникационные пути между парами узлов в коммуникационной сети.
Преподаватель курса: Рене Андреасович ван Беверн, заведующий лабораторией алгоритмики ММФ НГУ, старший преподаватель ММФ НГУ.
Подробное описание занятия: https://nsk.compsciclub.ru/courses/rand-algorithms/2021-spring/classes/7177/
Видео Лекция 7. Локальная лемма Ловаса канала Computer Science Center
Лекция №7 курса «Рандомизированные алгоритмы», весна 2021 (Новосибирск).
В контексте вероятностного метода локальная лемма Ловаса позволяет нам доказать, что конкретное множество нежелательных событий можно избежать, если каждое из них достаточно невероятно и каждое из них зависит от немногих других событий.
Мы с помощью локальной леммы Ловаса покажем, что маленькие формулы в конъюнктивной нормальной форме всегда выполнимы и как подобрать коммуникационные пути между парами узлов в коммуникационной сети.
Преподаватель курса: Рене Андреасович ван Беверн, заведующий лабораторией алгоритмики ММФ НГУ, старший преподаватель ММФ НГУ.
Подробное описание занятия: https://nsk.compsciclub.ru/courses/rand-algorithms/2021-spring/classes/7177/
Видео Лекция 7. Локальная лемма Ловаса канала Computer Science Center
Показать
Комментарии отсутствуют
Информация о видео
Другие видео канала
Лекция 7. Цифровой фото и видео монтажСеминар 7. Хеширование, итераторы (Алгоритмы и структуры данных, часть 1)Лекция 11. Растеризация: OpenGL, Larrabee, cudarasterЛекция 4. Деревья. Унициклические графы (Дискретный анализ и теория вероятностей)Лекция 6. Генеративные сети, часть 2Batch обработка с Apache SparkЛекция 13. Встроенные функции, массивы, строки, S-выражения в машинном кодеСеминар 5. Тестирование (Алгоритмы и структуры данных, часть 1)Лекция 5. Введение в вероятностный язык построения моделей машинного обученияЛекция 8. С-ядро и значение ШеплиЛекция 5. ПотокиЛекция 11. Калибровка классификаторов. (Анализ данных на Python в примерах и задачах. Ч2)Лекция 5. Задача о потоке минимальной стоимостиЛекция 7. Классические методы классификации изображенийЛекция 9. Ориентированные графыСеминар 4. Динамическое программирование (Алгоритмы и структуры данных, часть 1)Лекция 7. Merge sort и PatchMatchЛекция 3. Частично упорядоченные множестваСеминар 11. NP-задачи и игры на графах (Алгоритмы и структуры данных, часть 2)HaystackДостижение согласованности. Алгоритмы консенсуса