Séance de cours

Convex Optimization: Revue d'algèbre linéaire

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

MGT-418: Convex optimization

This course introduces the theory and application of modern convex optimization from an engineering perspective. ...

Description

Cette séance de cours couvre une revue des concepts d'algèbre linéaire essentiels pour comprendre l'optimisation convexe. Les sujets incluent les ensembles convexes, les normes vectorielles, les fonctions convexes, le produit des points, les inégalités impliquant des normes vectorielles, les valeurs propres, la décomposition des valeurs singulières, les normes matricielles et les matrices semi-définies positives. La séance de cours traite également de la règle de Sarrus pour les matrices 2x2 et 3x3, du rang d'une matrice et des références pour une étude plus approfondie.

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

Daniel Kuhn

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Concepts associés (32)

Definite matrix

In mathematics, a symmetric matrix with real entries is positive-definite if the real number is positive for every nonzero real column vector where is the transpose of . More generally, a Hermitian matrix (that is, a complex matrix equal to its conjugate transpose) is positive-definite if the real number is positive for every nonzero complex column vector where denotes the conjugate transpose of Positive semi-definite matrices are defined similarly, except that the scalars and are required to be positive or zero (that is, nonnegative).

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.

Norme matricielle

En mathématiques, une norme matricielle est un cas particulier de norme vectorielle, sur un espace de matrices. Dans ce qui suit, K désigne le corps des réels ou des complexes. Certains auteurs définissent une norme matricielle comme étant simplement une norme sur un espace vectoriel M(K) de matrices à m lignes et n colonnes à coefficients dans K. Pour d'autres, une norme matricielle est seulement définie sur une algèbre M(K) de matrices carrées et est une norme d'algèbre, c'est-à-dire qu'elle est de plus sous-multiplicative.

Norme d'opérateur

En mathématiques, et plus particulièrement en analyse fonctionnelle, une norme d'opérateur ou norme subordonnée est une norme définie sur l'espace des opérateurs bornés entre deux espaces vectoriels normés. Entre deux tels espaces, les opérateurs bornés ne sont autres que les applications linéaires continues. Sur un corps K « valué » (au sens : muni d'une valeur absolue) et non discret (typiquement : K = R ou C), soient E et F deux espaces vectoriels normés respectivement munis des normes ‖ ‖ et ‖ ‖.

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)

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.

Polynômes caractéristiques et matrices similaires

Explore les polynômes caractéristiques, la similarité des matrices et les valeurs propres dans les transformations linéaires.

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 (SVD)

Couvre en détail la décomposition de la valeur singulière (SVD), y compris les propriétés des matrices et la linéarité du système.

Valeurs singulaires : Définitions et propriétés MOOC: Algèbre Linéaire (Partie 3)

Couvre le concept de valeurs singulières dans l'algèbre linéaire et leurs propriétés, y compris la diagonalisation et des exemples pratiques.

Afficher plus

Concepts associés (32)

Décomposition en valeurs singulières

Afficher plus