EdX

Algèbre Linéaire (Partie 2) (edX)

Algèbre Linéaire (Partie 2) (edX)

Un MOOC francophone d'algèbre linéaire accessible à tous, enseigné de manière rigoureuse et ne nécessitant aucun prérequis. Vous voulez apprendre l'algèbre linéaire, un précieux outil complémentaire à vos connaissances acquises durant vos études en économie, ingénierie, physique, ou statistique? Ou simplement pour la beauté de la matière? Alors ce cours est fait pour vous!

Class Deals by MOOC List - Click here and see EdX's Active Discounts, Deals, and Promo Codes.

Outre remplir le rôle d'outil dans les différentes branches mentionnées ci-dessus (permettant la résolution de problèmes concrets), l'algèbre linéaire, qui capture l'essence des mathématiques -à savoir, l'algèbre et la géométrie- vous introduira au monde plus abstrait des mathématiques.
Proposé comme complément de cours aux ingénieurs de première année à l'Ecole Polytechnique Fédérale de Lausanne, ce MOOC (composé de trois parties) n'en est pas moins un cours à part entière et peut être considéré comme une base solide d'algèbre linéaire pour tout étudiant intéressé par l'apprentissage de cette matière.
Bien que les vidéos constituent le coeur du cours, des exercices de type QCM (Questions à choix multiples) ainsi que des séries au format PDF seront disponibles chaque semaine, ainsi que des corrigés appropriés. Plus précisément, les séries d'exercices seront accompagnées d'un corrigé au format PDF et certains problèmes bénéficieront d'une correction détaillée en vidéo, dans laquelle l'un des enseignants présentera la solution, étape par étape. Finalement, chaque vidéo de cours sera suivie d'un quiz, dont le but est de tester le degré d’assimilation des connaissances acquises.
Le cours est organisé en dix chapitres dans lesquels une approche très détaillée des concepts théoriques est proposée, ainsi que de multiples exemples illustratifs :

  1. Systèmes d'équations linéaires.
  2. Algèbre matricielle.
  3. Espaces vectoriels.
  4. Bases et dimensions.
  5. Applications linéaires.
  6. Matrices et applications linéaires.
  7. Déterminants.
  8. Vecteurs propres, valeurs propres, diagonalisation.
  9. Produits scalaires et espaces euclidiens.
  10. Matrices orthogonales et matrices symétriques.

Cette deuxième partie du cours sera dévouée à l'étude des chapitres 5 à 8 cités plus haut. Une bonne connaissance de la matière enseignée dans le MOOC Algèbre Linéaire (Partie 1) est requise. Aussi, il est conseillé de travailler régulièrement et de manière assidue, de façon à ne pas prendre de retard lors de l'apprentissage de la matière.
A la fin du cours, l'étudiant sera capable:

  • de définir les concepts théoriques introduits en cours et d'en donner des exemples illustratifs ;
  • de reconnaître une application linéaire et de définir les notions de base associées à un tel objet (e.g. noyau, image) ;
  • d’étudier les applications linéaires d'espaces vectoriels de dimension finie à l'aide des représentations matricielles ;
  • de calculer le déterminant d'une matrice donnée et d'utiliser les propriétés de cet objet à bon escient ;
  • de maîtriser les notions relatives à la diagonalisation (e.g. valeurs/vecteurs/espaces propres, multiplicité algèbrique/géométrique, polynôme caractéristique) ;
  • de déterminer si un opérateur linéaire donné est diagonalisable ou non ;
  • d’appliquer la méthode de diagonalisation à un opérateur linéaire donné.
Go to Class
MOOC List is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Related Courses

Introduction to Linear Models and Matrix Algebra (edX) EdX
HarvardX,Harvard University

Introduction to Linear Models and Matrix Algebra (edX)

Learn to use R programming to apply linear models to analyze data in life sciences. Matrix Algebra underlies many of the current tools for experimental design and the analysis of high-dimensional data. In this introductory data analysis course, we will use matrix algebra to represent the linear models that commonly used to model differences between experimental units. We perform statistical inference on these differences. Throughout the course we will use the R programming language.

Self Paced
Self-Paced
Cálculo Diferencial (edX) EdX
Galileo University,GalileoX

Cálculo Diferencial (edX)

El Cálculo marca una diferencia en la formación y capacidad de una persona para utilizar las matemáticas en otras ciencias y la ingeniería. Podemos afirmar sin temor a equivocarnos que un buen curso de Cálculo amplía la visión del estudiante en su campo y en su área de estudio.

Self Paced
Self-Paced
MathTrackX: Special Functions (edX) EdX
University of Adelaide,AdelaideX

MathTrackX: Special Functions (edX)

Understand trigonometric, exponential and logarithmic functions and how they can be applied in the real world. This course is part two of the MathTrackX XSeries Program which has been designed to provide you with a solid foundation in mathematical fundamentals and how they can be applied in the real world.

Self Paced
Self-Paced
Cours préparatoire: Fonctions trigonométriques, logarithmiques et exponentielles (edX) EdX
École Polytechnique Fédérale de Lausanne,EPFLx

Cours préparatoire: Fonctions trigonométriques, logarithmiques et exponentielles (edX)

Ce cours donne les connaissances fondamentales liées aux fonctions trigonométriques, logarithmiques et exponentielles. Le cours propose une approche très détaillée et précise des notions fondamentales liées aux fonctions trigonométriques, logarithmiques et exponentielles.

Self Paced
Self-Paced
Métodos numéricos para matemáticas con Octave (edX) EdX
Universitat Politècnica de València,UPValenciaX

Métodos numéricos para matemáticas con Octave (edX)

En este curso en línea se hace una introducción a diferentes temas relacionados con la resolución numérica de ecuaciones diferenciales ordinarias. En este curso de matemáticas se desarrollaran aspectos básicos relacionados con la resolución numérica de problemas de valor inicial asociados a ecuaciones diferenciales ordinarias, tanto desde un punto de vista teórico como práctico, haciendo uso del programa Octave para resolver distintos ejercicios relacionados.

Self Paced
Self-Paced
Linear Algebra II: Matrix Algebra (edX) EdX
Georgia Institute of Technology,GTx

Linear Algebra II: Matrix Algebra (edX)

This course takes you through roughly three weeks of MATH 1554, Linear Algebra, as taught in the School of Mathematics at The Georgia Institute of Technology. Your ability to apply the concepts that we introduced in our previous course is enhanced when you can perform algebraic operations with matrices. At the start of this class, you will see how we can apply the Invertible Matrix Theorem to describe how a square matrix might be used to solve linear equations.

Self Paced
Self-Paced
MathTrackX: Probability (edX) EdX
University of Adelaide,AdelaideX

MathTrackX: Probability (edX)

Understand probability and how it manifests in the world around us. This course introduces probability and how it manifests in the world around us. Beginning with discrete random variables, together with their uses in modelling random processes involving chance and variation, you will start to uncover the framework for statistical inference.

Self Paced
Self-Paced
Calculus Applied! (edX) EdX
HarvardX,Harvard University

Calculus Applied! (edX)

Apply tools of single-variable calculus to create and analyze mathematical models used by real practitioners in social, life, and physical sciences. In this course, we go beyond the calculus textbook, working with practitioners in social, life and physical sciences to understand how calculus and mathematical models play a role in their work.

Self Paced
Self-Paced
Bases Matemáticas: Derivadas (edX) EdX
Universitat Politècnica de València,UPValenciaX

Bases Matemáticas: Derivadas (edX)

Curso básico sobre funciones y sus derivadas, incluyendo sus aplicaciones a la resolución de problemas. Este curso se concibe como una revisión de los conceptos básicos del cálculo diferencial, necesarios para los primeros cursos de aquellos estudios universitarior en los que se imparte matemáticas.

Self Paced
Self-Paced