Séance de cours

Décomposition spectrale et SVD

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.

Dans cours

MATH-111(e): Algèbre linéaire

L'objectif du cours est d'introduire les notions de base de l'algèbre linéaire et ses applications. ...

Description

Cette séance de cours couvre la décomposition spectrale des matrices symétriques, y compris les propriétés telles que les valeurs propres réelles, les eigenvectors orthogonaux et la diagonalizabilité. Il explore également la décomposition de la valeur singulière (SVD) et son application dans la décomposition des matrices en une somme de trois matrices. La séance de cours démontre le calcul des valeurs propres, des vecteurs propres et l'importance des bases orthonormales dans le contexte de la décomposition matricielle.

Enseignant·e·s (2)

Jérôme Scherer

Enseignement et PhD Doctorant·es actuel·les Virgile Simon Constantin A dirigé les thèses EPFL de Samuel Lavenir A co-dirigé les thèses EPFL de Kay Remo Werndli, Lyne Moser Cours Topology IV.a - Cohomology rings MATH-506 La cohomologie singulière vient de la dualisation du complexe des chaines singulières. Nous étudions ses propriétés, voyons comment elle acquiert une structure multiplicative, celle d'une algèbre graduée commutative. Une version algébrique, la cohomologie des groupes, est c

Nicolas Boumal

Enseignement et PhD Doctorant·es actuel·les Andreea-Alexandra Musat A dirigé les thèses EPFL de Christopher Criscitiello, Quentin Rebjock Cours Algèbre linéaire MATH-111(e) L'objectif du cours est d'introduire les notions de base de l'algèbre linéaire et ses applications. Continuous optimization MATH-329 This course introduces students to continuous, nonlinear optimization. We study the theory of optimization with continuous variables (with full proofs), and we analyze and

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Concepts associés (30)

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 ».

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).

Valeur propre, vecteur propre et espace propre

En mathématiques, et plus particulièrement en algèbre linéaire, le concept de vecteur propre est une notion algébrique s'appliquant à une application linéaire d'un espace dans lui-même. Il correspond à l'étude des axes privilégiés, selon lesquels l'application se comporte comme une dilatation, multipliant les vecteurs par une même constante. Ce rapport de dilatation est appelé valeur propre, les vecteurs auxquels il s'applique s'appellent vecteurs propres, réunis en un espace propre.

Décomposition LU

En algèbre linéaire, la décomposition LU est une méthode de décomposition d'une matrice comme produit d'une matrice triangulaire inférieure (comme lower, inférieure en anglais) par une matrice triangulaire supérieure (comme upper, supérieure). Cette décomposition est utilisée en analyse numérique pour résoudre des systèmes d'équations linéaires. Soit une matrice carrée. On dit que admet une décomposition LU s'il existe une matrice triangulaire inférieure formée de 1 sur la diagonale, notée , et une matrice triangulaire supérieure, notée , qui vérifient l'égalité Il n'est pas toujours vrai qu'une matrice admette une décomposition LU.

Décomposition de Schur

En algèbre linéaire, une décomposition de Schur (nommée après le mathématicien Issai Schur) d'une matrice carrée complexe M est une décomposition de la formeoù U est une matrice unitaire (U*U = I) et A une matrice triangulaire supérieure. On peut écrire la décomposition de Schur en termes d'applications linéaires : Dans le cas où est l'application nulle, l'énoncé est directement vérifié, on peut donc se contenter de traiter le cas où est différente de l'application nulle.

Afficher plus

Séances de cours associées (64)

SVD: Décomposition de la valeur singulaire

Couvre le concept de Décomposition de Valeur Singulaire (SVD) pour compresser l'information dans les matrices et les images.

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 matrices symétriques

Explore la diagonalisation des matrices symétriques et l'importance de la décomposition des valeurs singulières.

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.

Sous-espaces, spectres et projections

Explore les sous-espaces, les spectres et les projections en algèbre linéaire, y compris les matrices symétriques et les projections orthogonales.

Afficher plus

Concepts associés (30)

Décomposition d'une matrice en éléments propres

Décomposition polaire

Valeur propre, vecteur propre et espace propre

Décomposition LU

Décomposition de Schur

Afficher plus