Couvre la vectorisation en Python en utilisant Numpy pour un calcul scientifique efficace, en soulignant les avantages d'éviter les boucles et de démontrer des applications pratiques.
Couvre la méthode Conjugate Gradient pour résoudre des systèmes linéaires sans préconditionnement, en explorant les implémentations de calcul parallèle et les prédictions de performances.
Explore la bibliothèque Eigen pour l'algèbre linéaire, couvrant les vecteurs, les matrices, les tableaux, la gestion de la mémoire, le remodelage et les opérations par composant.