Libro adottato a Bari, Politecnico di Milano, a.a. 2026/2027 · 5 canali
«Strang – Linear Algebra and Learning from Data» è adottato per Numerical Analysis For Machine Learning dal prof. Edie Miglio (Computer Science and Engineering, Electronics Engineering, High Performance Computing Engineering e altri corsi – Politecnico di Milano); per Metodi Numerici in Data Science dal prof. Flavia Esposito (Matematica – sede di Bari – Bari).
Come lo indica il docente: G. Strang, Linear Algebra and Learning from Data, Wellesley-Cambridge Press, Anno edizione: 2019, ISBN: 978-0692196380 · G. Strang, Linear Algebra and Learning from Data, Wellesley-Cambridge Press, 2019
Argomenti del programma: 1. Numerical Linear Algebra Tools Singular value decomposition, principal components and best low rank matrix. Eigenvalues. Least square methods. QR factorization. Toeplitz matrices and shift invariant filters. Convolution. Randomized SVD 2. Automatic differentiation Wenger list, Direct Acyclic Graphs, Forward mode of AD Dual numbers Backward mode of AD 3.
Argomenti del programma: 1. Numerical Linear Algebra Tools Singular value decomposition, principal components and best low rank matrix. Eigenvalues. Least square methods. QR factorization. Toeplitz matrices and shift invariant filters. Convolution. Randomized SVD 2. Automatic differentiation Wenger list, Direct Acyclic Graphs, Forward mode of AD Dual numbers Backward mode of AD 3.
Argomenti del programma: 1. Numerical Linear Algebra Tools Singular value decomposition, principal components and best low rank matrix. Eigenvalues. Least square methods. QR factorization. Toeplitz matrices and shift invariant filters. Convolution. Randomized SVD 2. Automatic differentiation Wenger list, Direct Acyclic Graphs, Forward mode of AD Dual numbers Backward mode of AD 3.
Argomenti del programma: -Introduzione ai metodi di fattorizzazione per la Data Science. Algebra Lineare e apprendimento da dati strutturati. Rappresentazione di dati attraverso vettori e matrici. Decomposizione a valori singolari di una matrice di dati. Proprietà dei vettori singolari destri e sinistri e loro relazione con gli spazi vettoriali fondamentali generati da una matrice di dati. L’importanza della SVD nella Data Science: esempi.
Argomenti del programma: 1. Numerical Linear Algebra Tools Singular value decomposition, principal components and best low rank matrix. Eigenvalues. Least square methods. QR factorization. Toeplitz matrices and shift invariant filters. Convolution. Randomized SVD 2. Automatic differentiation Wenger list, Direct Acyclic Graphs, Forward mode of AD Dual numbers Backward mode of AD 3.
Libri Universitari