Explore les valeurs propres, les vecteurs propres et les méthodes de résolution de systèmes linéaires en mettant l'accent sur les erreurs d'arrondi et les matrices de préconditionnement.
Couvre la vectorisation en Python en utilisant Numpy pour un calcul scientifique efficace, en soulignant les avantages d'éviter les boucles et de démontrer des applications pratiques.
Revisite le théorème spectral pour les matrices symétriques, mettant l'accent sur les propriétés orthogonales diagonales et son équivalence avec les formes symétriques bilinéaires.
Explore les méthodes de Richardson pour les solutions de systèmes linéaires itératifs et le contrôle des erreurs dans les systèmes définis positifs symétriques.
Couvre les bases de l'analyse numérique et des méthodes de calcul utilisant Python, en se concentrant sur les algorithmes et les applications pratiques en mathématiques.
