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 des gradients conjugués pour résoudre les systèmes linéaires itérativement avec la convergence quadratique et souligne l'importance de l'indépendance linéaire entre les directions conjuguées.
Couvre les méthodes itératives pour résoudre des équations linéaires et analyser la convergence, y compris le contrôle des erreurs et les matrices définies positives.
Explore la résolution de systèmes linéaires et aborde la non-linéarité dans les simulations de flux numériques en utilisant des méthodes multigrilles et de linéarisation.
Couvre les méthodes itératives pour résoudre les systèmes linéaires déquations et discute des propriétés de convergence des méthodes comme la méthode de Richardson.
Explore les méthodes de Richardson pour les solutions de systèmes linéaires itératifs et le contrôle des erreurs dans les systèmes définis positifs symétriques.
Explore les méthodes itératives pour résoudre les systèmes linéaires, y compris les méthodes Jacobi et Gauss-Seidel, la factorisation Cholesky et le gradient conjugué préconditionné.
