We use cookies in order to improve the quality and usability of the HSE website. More information about the use of cookies is available here, and the regulations on processing personal data can be found here. By continuing to use the site, you hereby confirm that you have been informed of the use of cookies by the HSE website and agree with our rules for processing personal data. You may disable cookies in your browser settings.

  • A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Information Theory

2023/2024
Academic Year
RUS
Instruction in Russian
5
ECTS credits
Delivered at:
Department of Informatics
Course type:
Elective course
When:
3 year, 3, 4 module

Instructors


Павлов Дмитрий Александрович

Программа дисциплины

Аннотация

Является дисциплиной по выбору. Данная дисциплина направлена на овладение знаниями и алгоритмами в области теории информации. Курс посвящён изучению подходов к определению понятия „количество информации“: комбинаторный (информация по Хартли), вероятностный (энтропия Шеннона) и алгоритмический (Колмогоровская сложность). На курсе будет рассмотрено применение аппарата теории информации в различных областях компьютерных наук: в криптографии, в коммуникационной сложности, в теории кодирования, в теории конечных автоматов, в теории сложности вычислений и некоторых других. Для освоения дисциплины студентам необходимо иметь знания, полученные в результате изучения дисциплин «Дискретная математика», «Алгоритмы и структуры данных».
Цель освоения дисциплины

Цель освоения дисциплины

  • Формирование у студентов теоретических знаний и практических навыков по основам теории множеств, теории графов, комбинаторного анализа как основного математического аппарата для построения моделей дискретных структур, освоение методов математического моделирования и анализа таких структур.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает определение количества информации по Хартли и основные свойства, определение энтропии Шеннона и основные её свойства, основные определения из коммуникационной сложности, определение колмоговской сложности и основные её свойства.
  • Умеет оценивать количество информации по Хартли, применять свойства и соотношения на энтропию Шеннона для оценки энтропии различных случайных величин, применять свойства и соотношения на колмогоровскую сложность для оценки колмогоровской сложности, доказывать оценки на коммуникационную сложность.
  • Владеет основными методами работы с энтропией Шеннона и оценками на колмогоровскую сложность, основными техниками доказательства оценок на коммуникационную сложность.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Раздел 1. Информация по Хартли. Энтропия Шеннона.
  • Раздел 2. Кодирование. Теория информации в криптографии.
  • Раздел 3. Коммуникационная сложность и формульная сложность булевых функций. Колмогоровская сложность. Применение Kолмогоровской сложности.
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задания
    Домашнее задание выдается студентам в одном варианте и состоит из 8 задач. Срок выполнения домашнего задания - 2 недели. Форма представления обучающимися домашнего задания - представленные в письменном виде решения задач.
  • блокирующий Письменный экзамен
    Письменный экзамен проводится в форме ответов на вопросы экзаменационного билета. Экзаменационный билет содержит два вопроса из перечня вопросов к экзамену. На подготовку ответа выделяется 2,5 часа.
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 4 модуль
    0.5 * Домашнее задания + 0.5 * Письменный экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Крупский, В. Н.  Теория алгоритмов. Введение в сложность вычислений : учебное пособие для вузов / В. Н. Крупский. — 2-е изд., испр. и доп. — Москва : Издательство Юрайт, 2021. — 117 с. — (Высшее образование). — ISBN 978-5-534-04817-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/473006 (дата обращения: 27.08.2024).

Рекомендуемая дополнительная литература

  • Dehmer, M., & Emmert-Streib, F. (2009). Information Theory and Statistical Learning. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=261561

Авторы

  • Кузнецов Антон Михайлович