Catégorie de navigation
Cours
390 articles
Sous-catégories
Les normes : cours complet et exercices corrigés
Cours complet sur les normes : définition, norme L1, L2, Lp, infinie, normes matricielles (Frobenius, spectrale), régularisation en ML. Exercices corrigés.
Le produit scalaire en prépa : Cours et exercices corrigés
Cours complet sur le produit scalaire en prépa : définition, propriétés, norme, Cauchy-Schwarz, projection orthogonale et Gram-Schmidt. Exercices corrigés.
Le théorème du rang : cours, démonstration et exercices corrigés
Maîtrisez le théorème du rang en algèbre linéaire : énoncé, démonstration complète, applications concrètes (inversibilité, systèmes linéaires) et exercices corrigés.
Noyau et image dans un espace vectoriel : Cours et exercices corrigés
Noyau et image d'une application linéaire : définitions, propriétés (sous-espaces vectoriels, injectivité), méthode de calcul, théorème du rang et exercices corrigés.
Application linéaire : Cours et exercices corrigés
Qu'est-ce qu'une application linéaire ? Cet article a pour but de définir cette notion et de donner des exemples importants
Familles libres, génératrices et bases : cours et exercices corrigés
Cours complet sur les familles libres, génératrices et bases d'un espace vectoriel. Définitions, exemples, méthode pratique et exercices corrigés.
La transposée d’une matrice : Cours et propriétés
Tout savoir sur la transposée des matrices : Définition, exemples et propriétés
Produit de matrices : cours, méthode et exercices corrigés
Comment multiplier deux matrices ? Définition, condition de compatibilité, propriétés (associativité, non-commutativité), méthode pas à pas et exercices corrigés.
Le théorème spectral : démonstration et applications ML
Cours complet sur le théorème spectral : énoncé, démonstration par récurrence, décomposition spectrale A = PΛPᵀ. Applications ML : ACP, conditionnement, kernel PCA, low-rank
Matrices : définition, notations et types (cours complet)
Qu'est-ce qu'une matrice ? Découvrez dans cet article la définition, les différentes notations et des matrices types avec des exemples.
Matrices symétriques : propriétés et applications ML
Cours complet sur les matrices symétriques : définition, valeurs propres réelles, matrices définies positives, décomposition spectrale. Applications en machine learning (covariance, Hessienne, noyaux).
Fonction softmax : cours complet et applications ML
Cours complet sur la fonction softmax : définition, propriétés mathématiques, Jacobienne, log-sum-exp, température. Applications en machine learning (classification, transformers)
Optimisation sous contraintes : Lagrange et KKT (cours complet)
Cours complet sur l'optimisation sous contraintes : multiplicateurs de Lagrange, conditions KKT, dualité, et application aux SVM en machine learning. Exercices corrigés.
Maximum de vraisemblance (MLE) : cours et exercices corrigés
Cours complet sur le maximum de vraisemblance : définition, log-vraisemblance, propriétés, exemples classiques (Bernoulli, normale, Poisson) et applications en machine learning (MSE, cross-entropy). Exercices corrigés.
La descente de gradient : cours complet, variantes et Python
Cours complet sur la descente de gradient : algorithme, taux d'apprentissage, convergence, SGD, mini-batch, momentum, Adam. Implémentation Python et exercices corrigés.