Séance de cours

Décomposition de la valeur singulière : Exemple

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre la décomposition de valeurs singulières (SVD) d'une matrice, en se concentrant sur la recherche de la SVD d'une matrice spécifique étape par étape, y compris le calcul des valeurs singulières et des eigenvectors. Il traite également du concept de bases orthonormales dans R2 et R3, et du processus de normalisation qui consiste à les obtenir.

Dans MOOC

Algèbre Linéaire (Partie 3)

Vous voulez apprendre l'algèbre linéaire, un précieux outil complémentaire à vos connaissances acquises durant vos études en économie, ingénierie, physique, ou statistique? Ou simplement pour la beauté de la matière? Alors ce cours est fait pour vous! Outre remplir le rôle d'outil dans les différentes branches mentionnées ci-dessus (permettant la résolution de problèmes concrets), l'algèbre linéaire, qui capture l'essence des mathématiques -à savoir, l'algèbre et la géométrie- vous introduira au monde plus

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Concepts associés (32)

Décomposition en valeurs singulières

En mathématiques, le procédé d'algèbre linéaire de décomposition en valeurs singulières (ou SVD, de l'anglais singular value decomposition) d'une matrice est un outil important de factorisation des matrices rectangulaires réelles ou complexes. Ses applications s'étendent du traitement du signal aux statistiques, en passant par la météorologie. Le théorème spectral énonce qu'une matrice normale peut être diagonalisée par une base orthonormée de vecteurs propres.

Matrix decomposition

In the mathematical discipline of linear algebra, a matrix decomposition or matrix factorization is a factorization of a matrix into a product of matrices. There are many different matrix decompositions; each finds use among a particular class of problems. In numerical analysis, different decompositions are used to implement efficient matrix algorithms. For instance, when solving a system of linear equations , the matrix A can be decomposed via the LU decomposition.

Décomposition QR

En algèbre linéaire, la décomposition QR (appelée aussi, factorisation QR ou décomposition QU) d'une matrice A est une décomposition de la forme où Q est une matrice orthogonale (QQ=I), et R une matrice triangulaire supérieure. Ce type de décomposition est souvent utilisé pour le calcul de solutions de systèmes linéaires non carrés, notamment pour déterminer la pseudo-inverse d'une matrice. En effet, les systèmes linéaires AX = Y peuvent alors s'écrire : QRX = Y ou RX = QY.

Décomposition polaire

La décomposition polaire est un outil mathématique fondamental pour comprendre les propriétés topologiques des groupes linéaires réels et complexes. Les applications suivantes sont des homéomorphismes, et même des difféomorphismes. En particulier, toute matrice inversible réelle se décompose de façon unique en produit d'une matrice orthogonale et d'une matrice symétrique définie positive. Les applications suivantes sont surjectives mais non injectives : En particulier, toute matrice réelle se décompose en produit d'une matrice orthogonale et d'une unique matrice symétrique positive (mais pas nécessairement de façon unique).

Décomposition d'une matrice en éléments propres

En algèbre linéaire, la décomposition d'une matrice en éléments propres est la factorisation de la matrice en une forme canonique où les coefficients matriciels sont obtenus à partir des valeurs propres et des vecteurs propres. Un vecteur non nul v à N lignes est un vecteur propre d'une matrice carrée A à N lignes et N colonnes si et seulement si il existe un scalaire λ tel que : où λ est appelé valeur propre associée à v. Cette dernière équation est appelée « équation aux valeurs propres ».

Afficher plus

Séances de cours associées (52)

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.

LU Decomposition: Applications de systèmes linéaires MOOC: Algèbre Linéaire (Partie 1)

Couvre la méthode de décomposition de LU appliquée aux systèmes linéaires, présentant le système en deux étapes.

Décomposition de la valeur singulière : applications et interprétation

Explique la construction de U, la vérification des résultats et l'interprétation de SVD dans la décomposition matricielle.

Calcul de la matrice : matrices et déterminants

Couvre le calcul matriciel, en se concentrant sur les matrices, les déterminants et leurs propriétés.

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.

Afficher plus

Concepts associés (32)

Décomposition en valeurs singulières

Matrix decomposition

Décomposition QR

Décomposition polaire

Décomposition d'une matrice en éléments propres

Afficher plus