Séance de cours

Sélection des sous-ensembles de colonnes : RRQR et TCS

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 porte sur les concepts de RRQR et de TCS dans le contexte de la sélection des sous-ensembles de colonnes et de l'approximation matricielle de bas rang. Il examine les compromis, les mesures de précision et les cadres pour les factorisations matricielles de bas rang, en soulignant l'importance de l'évitement des communications. La séance de cours se penche également sur la complexité des calculs matriciels, les algorithmes NLA pour CSSP et les développements récents sur le terrain. Diverses approches, telles que le QRCP randomisé et le SRQR, sont explorées, de même que leurs implications pour la qualité approximative et la sélection de sous-ensembles. L'orateur présente un algorithme hybride en deux étapes et le compare aux méthodes traditionnelles de l'ALN et du TCS, mettant en évidence les progrès réalisés sur le terrain.

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Concepts associés (32)

Complexité de la multiplication de matrices

En informatique théorique, la complexité de la multiplication de matrices est le nombre d'opérations requises pour l'opération de produit matriciel. Les algorithmes de multiplication de matrices constituent un sujet central dans les algorithmes théoriques et numériques en algèbre linéaire numérique et en optimisation, donc déterminer la complexité en temps du produit est d'une importance pratique. L'application directe de la définition mathématique de la multiplication de matrices donne un algorithme qui nécessite opérations sur le corps de base pour multiplier deux matrices d'ordre .

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 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 ».

Matrice (mathématiques)

thumb|upright=1.5 En mathématiques, les matrices sont des tableaux d'éléments (nombres, caractères) qui servent à interpréter en termes calculatoires, et donc opérationnels, les résultats théoriques de l'algèbre linéaire et même de l'algèbre bilinéaire. Toutes les disciplines étudiant des phénomènes linéaires utilisent les matrices. Quant aux phénomènes non linéaires, on en donne souvent des approximations linéaires, comme en optique géométrique avec les approximations de Gauss.

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.

Afficher plus

Séances de cours associées (64)

Calcul des matrices : approximation des bas grades

Explore la complexité des calculs matriciels, en se concentrant sur les algorithmes d'approximation de bas rang et leurs applications.

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.

Multiplication matricielle et techniques de division et de conquête

Discute de la multiplication matricielle en utilisant des techniques de division et de conquête et introduit l'algorithme de Strassen pour une efficacité améliorée.

Multiplication Matrix-Matrix: Algorithmes et applications

Explore les aspects théoriques et pratiques des algorithmes de multiplication de matrices-matrice rapides et leur importance dans l'informatique.

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.

Afficher plus

Concepts associés (32)

Complexité de la multiplication de matrices

Décomposition LU

Décomposition d'une matrice en éléments propres

Matrice (mathématiques)

Décomposition en valeurs singulières

Afficher plus