Couvre les bases des tenseurs, y compris leur définition, leurs propriétés et leur décomposition, en commençant par un exemple motivant impliquant des distributions gaussiennes.
Fournit un examen des concepts d'algèbre linéaire cruciaux pour l'optimisation convexe, couvrant des sujets tels que les normes vectorielles, les valeurs propres et les matrices semi-définies positives.
Couvre la décomposition et la pseudo-inverse de la valeur singulière, en expliquant leurs applications dans la compression de données et les systèmes linéaires.
Explore la Décomposition de la Valeur Singulière et son rôle dans l'apprentissage non supervisé et la réduction de dimensionnalité, en mettant l'accent sur ses propriétés et applications.
Couvre les systèmes de coordonnées accélérés et inertiels, jacobiens, les éléments de volume, les dérivés covariants, les symboles Christoffel, le cas Lorentz et les propriétés tenseurs métriques.
