Séance de cours
Régression linéaire : absence ou présence de covariables
Séances de cours associées (32)
Modèles génériques : auto-attention et transformateurs
Couvre les modèles générateurs en mettant l'accent sur l'auto-attention et les transformateurs, en discutant des méthodes d'échantillonnage et des moyens empiriques.
Diagonalisation des matrices
Explore la diagonalisation des matrices à l'aide de vecteurs propres et de valeurs propres.
Diagonalisation des matrices : Théorème spectral
Couvre le processus des matrices diagonales, en se concentrant sur les matrices symétriques et le théorème spectral.
Décomposition Spectral : matrices symétriques
Couvre la décomposition des matrices symétriques en valeurs propres et en vecteurs propres.
Décomposition de la valeur singulière: principes fondamentaux et applications
Explore les principes fondamentaux de la décomposition de la valeur singulière, y compris les bases orthonormées et les applications pratiques.
Complément orthogonal et théorèmes de projection
Explore les compléments orthogonaux et les théorèmes de projection dans les espaces vectoriels.
Diagonalisation des matrices
Explore la diagonalisation des matrices à travers des valeurs propres et des vecteurs propres, en soulignant l'importance des bases et des sous-espaces.
Décomposition des valeurs propres et des vecteurs propres
Couvre la décomposition d'une matrice dans ses valeurs propres et ses vecteurs propres, l'orthogonalité des vecteurs propres et la normalisation des vecteurs.
Diagonalisation des transformations linéaires
Couvre la diagonalisation des transformations linéaires en R^3, explorant les propriétés et les exemples.
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.