Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Décomposition de valeur singulière, pseudoinverse

Dans cours

MATH-115(a): Algèbre linéaire avancée II - diagonalisation

L'objectif du cours est d'introduire les notions de base de l'algèbre linéaire et de démontrer rigoureusement les résultats principaux de ce sujet. ...

Description

Cette séance de cours couvre les concepts de Singular Value Decomposition (SVD) et Pseudoinverse, expliquant les définitions mathématiques et les propriétés. Il se penche sur les applications de SVD dans la compression de données, la réduction du bruit et la résolution de systèmes linéaires. L'instructeur démontre le calcul des matrices SVD et Pseudoinverses, en soulignant leur importance dans divers domaines tels que le traitement d'images et l'apprentissage automatique.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e

Friedrich Eisenbrand

Friedrich Eisenbrand's main research interests lie in the field of discrete optimization, in particular in algorithms and complexity, integer programming, geometry of numbers, and applied optimization. He is best known for his work on efficient algorithms for integer programming in fixed dimension and the theory of cutting planes, which are an important tool to solve large scale industrial optimization problems in practice. Before joining EPFL in March 2008, Friedrich Eisenbrand was a full professor of mathematics at the University of Paderborn. Friedrich received the Heinz Maier-Leibnitz award of the German Research Foundation (DFG) in 2004 and the Otto Hahn medal of the Max Planck Society in 2001.

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.

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.

Singular value

In mathematics, in particular functional analysis, the singular values, or s-numbers of a compact operator acting between Hilbert spaces and , are the square roots of the (necessarily non-negative) eigenvalues of the self-adjoint operator (where denotes the adjoint of ). The singular values are non-negative real numbers, usually listed in decreasing order (σ1(T), σ2(T), ...). The largest singular value σ1(T) is equal to the operator norm of T (see Min-max theorem).

Compression de données

La compression de données ou codage de source est l'opération informatique consistant à transformer une suite de bits A en une suite de bits B plus courte pouvant restituer les mêmes informations, ou des informations voisines, en utilisant un algorithme de décompression. C'est une opération de codage qui raccourcit la taille (de transmission, de stockage) des données au prix d'un travail de compression. Celle-ci est l'opération inverse de la décompression.

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.

Afficher plus

Séances de cours associées (42)

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 de valeur singulière: compression d'image et applications

Couvre la décomposition de la valeur singulière, en se concentrant sur son application dans la compression d'images et la représentation de données.

Algèbre linéaire

Couvre les bases de l'algèbre linéaire, y compris les opérations matricielles et la décomposition des valeurs singulières.

Décomposition de la valeur singulaire : applications et solutions

Explore la décomposition de la valeur singulaire, les solutions matricielles et la régression des moindres carrés dans l'analyse des données.

Analyse de corrélation canonique: Vue d'ensemble

Couvre l'analyse canonique de corrélation, une méthode pour trouver des relations entre deux ensembles de variables.

Afficher plus

Concepts associés (32)

Décomposition en valeurs singulières

Décomposition QR

Singular value

Compression de données

Matrix decomposition

Afficher plus