Algorithme de Lanczos

Science formelle
Mathématiques
Analyse (mathématiques)
Analyse numérique

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (16)

Connectez-vous pour filtrer par séance de cours

Page 1 sur 2

Solvants itératifs : Problèmes de valeur propre

Déplacez-vous dans des solutions itératives pour résoudre les problèmes de valeur propre, en abordant les critères d'utilisateur, les paramètres de convergence et les choix de méthode.

Méthodes numériques stochastiques pour les systèmes quantiques à plusieurs corps

Couvre le problème quantique à plusieurs corps, les fonctions d'onde, le stockage des fonctions d'onde et des exemples de modèles de spin.

Équation de diffusion de neutrons: Méthodes numériques

Couvre les méthodes numériques pour résoudre l'équation de diffusion des neutrons et traiter les effets hétérogènes dans les réacteurs thermiques.

Gradient Descent: Opérateur proximal et stratégies de taille progressive

Explore l'opérateur proximal, la descente en gradient et les stratégies de taille progressive pour réduire au minimum les fonctions de risque.

Régression : Hautes Dimensions

Explore la régression linéaire en dimensions élevées et la prévision pratique des prix des maisons à partir d'un ensemble de données.

Calcul de valeurs propres

Couvre le calcul des valeurs propres et des vecteurs propres, en mettant l'accent sur leur importance et leurs applications.

Matrices diagonalizables: Vecteurs propres et itération de puissance

Explore les matrices diagonales, les vecteurs propres et les méthodes d'itération de puissance pour les vecteurs propres dominants.

Construction matricielle et manipulation des fonctions

Couvre des conseils sur la construction matricielle et la manipulation de fonctions à l'aide de MATLAB.

Réacteurs nucléaires : Théorie multigroupe

Couvre les bases des réacteurs nucléaires, y compris la fission nucléaire, la diffusion des neutrons et la théorie multigroupes.

Optimisation des taux de convergence: descente progressive accélérée

Explore l'optimalité des taux de convergence dans les problèmes de minimisation convexe en utilisant des méthodes de descente accélérée des gradients.