Décomposition de la valeur singulière : théorie et applications

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (29)

Page 3 sur 3

Diagonalisation des matrices symétriques

Couvre la diagonalisation des matrices symétriques, le théorème spectral et l'utilisation de la décomposition spectrale.

Décomposition spectrale et SVD

Explore la décomposition spectrale des matrices symétriques et la décomposition de la valeur singulaire (SVD) pour la décomposition de la matrice.

Convex Optimization: Revue d'algèbre linéaire

Fournit un examen des concepts d'algèbre linéaire cruciaux pour l'optimisation convexe, couvrant des sujets tels que les normes vectorielles, les valeurs propres et les matrices semi-définies positives.

Analyse de corrélation canonique: Vue d'ensemble

Couvre l'analyse canonique de corrélation, une méthode pour trouver des relations entre deux ensembles de variables.

Systèmes linéaires : méthodes directes

Couvre la formulation des systèmes linéaires, les méthodes directes et itératives pour les résoudre, et le coût de la factorisation LU.

Algorithme Gram-Schmidt: Orthogonalisation et factorisation QR

Introduit l'algorithme Gram-Schmidt, la factorisation QR, et la méthode des moindres carrés.

Analyse des facteurs latents : classification des genres de films

Explore l'analyse des facteurs latents pour la classification des genres de films basée sur les leads masculins et féminins.

QR de factorisation : processus Gram-Schmidt

Couvre le théorème QR de factorisation et la méthode Gram-Schmidt pour les bases orthonormales.

Décomposition de valeur singulière: vecteurs orthogonaux et décomposition matricielle

Explique la décomposition de la valeur singulière, en se concentrant sur les vecteurs orthogonaux et la décomposition matricielle.