在计算机科学领域，确定性算法已经难以突破极限，而随机化技术却像一把神秘的钥匙，能够开启高效与可行的双重大门。Chernoff界、Hoeffding界、马尔可夫不等式这三样法宝，为样本平均问题提供了降维打击的思路。这本书把概率论与算法设计融为一体，用17章的内容逐步攀登，涵盖了离散数学、随机过程、信息论、优化思想等领域。从一开始就给你打好事件、随机变量和期望的基本功，像搭积木一样让每一块都稳稳当当。本书把球、箱、随机图等模型展示出来，帮你直观理解随机化如何把NP难题在特定场景下变成多项式时间可解问题。熵、互信息、鞅、样本复杂性、VC维度这些概念，正是理解机器学习泛化误差的关键。此外，两两独立、通用哈希、布谷鸟哈希、Lovász局部引理等高级随机化技巧，也是把“随机”变成“高效”的魔法配方。 Python是本书的编程工具之一，你可以通过大量编程练习与开放问题把理论直接翻译成代码，感受“随机化思想”的温度。每一章都配有动手区，鼓励你在调试中体会思想的温度。 如果你是一个本科生或者研究生，这本书可以作为一学期或两学期的硬核教材。一学期版本每周覆盖2-3章，配合课堂讨论和编程作业，你可以写出基于随机化的中等规模算法报告。两学期版本深入第14-17章，结合机器学习实战，你可以亲手设计基于随机投影的降维算法或分布式哈希表。 阅读这本书的时候，先通读目录画出兴趣图谱。遇到抽象概念时立刻用伪代码把思想落地形成肌肉记忆。做练习时先猜后证这种方式最能锻炼算法直觉。合上书口头复述每一章的核心命题再回到原文找对应证明反复三轮后随机化技术就会长在你脑子里。Rademacher复杂性对泛化误差的精细刻画、正态分布的近似技巧、幂律分布与相关分布的直观解释等新增亮点让旧知识长出“新枝桠”。 Lovász局部引理是证明随机约束满足问题可解性的概率版四色定理。布谷鸟哈希是一种“先占位后调整”的高效哈希方案。把VC维度这些概念引入到学习理论中来理解机器学习泛化误差。书给学生提供了一种新的思考方式：把概率论与算法设计相结合来解决问题。