Motivations, petits systèmes linéaires, intersections de droites et de plans..
Apprendre à manier les systèmes d’équations et les matrices, qui sont les objets fondamentaux des algorithmes d’IA, ainsi que de la plupart de la technologie actuelle.
Motivations, petits systèmes linéaires, intersections de droites et de plans..
Opérations dans R^n, vu comme espace vectoriel. Matrices et calcul matriciel. Matrices comme applications linéaires. Matrices symétriques.
En dimension 2 et 3 et formule générale. Cramer. Matrices inversibles. Détermination de l’inverse avec les opérations de Gauss.
Sous-espaces vectoriels de R^n (noyau d’un système d’équations linéaires). Famille libre, famille génératrice, bases, coordonnées, changement de bases.
Déterminer si une famille est libre, relations linéaires liant une famille de vecteurs, vérifier si un vecteur appartient à l’espace engendré par un ensemble de vecteurs, déterminer si une famille est génératrice pour un certain espace, compléter une famille libre en une base.
Déterminer une base d’une intersection de sous-espaces, déterminer des équations d’un sous-espace, extraire une base d’une famille génératrice. Théorème du rang (sans preuve).
Opérations sur les vecteurs : produit scalaire, orthogonalité et norme, distance, Gram-Schmidt, inégalité de Cauchy-Schwarz e triangulaire. Produit vectoriel
Polynôme caractéristique. Calcul de valeurs et vecteurs propres de matrices. Interprétation géométrique pour les cas n=2 et 3.
Diagonalisation de matrices symétriques réelles.
Résumer les compétences visées:
-résolution de systèmes linéaires, expression de l’espace des solutions
-calcul matriciel: changements de bases et diagonalisation (inclut déterminants et recherches d’espaces propres)