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.
Explore les valeurs propres, les vecteurs propres et les méthodes de résolution de systèmes linéaires en mettant l'accent sur les erreurs d'arrondi et les matrices de préconditionnement.
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.
Explore les systèmes linéaires, couvrant les méthodes directes et itératives pour les résoudre en mettant l'accent sur les erreurs d'arrondi et l'algorithme de Richardson.
Explore la méthode Jacobi et les techniques de diagonalisation, y compris la transformation de similarité, les méthodes de puissance et la décomposition QR.
Déplacez-vous dans des solutions itératives pour résoudre les problèmes de valeur propre, en abordant les critères d'utilisateur, les paramètres de convergence et les choix de méthode.
