EdX

Algèbre Linéaire (Partie 3) (edX)

Algèbre Linéaire (Partie 3) (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.
    1. Algèbre matricielle.
    2. Espaces vectoriels.
    3. Bases et dimensions.
    4. Applications linéaires.
    5. Matrices et applications linéaires.
    6. Déterminants.
    7. Vecteurs propres, valeurs propres, diagonalisation.
    8. Produits scalaires et espaces euclidiens.
    9. Matrices orthogonales et matrices symétriques.

Cette troisième (et dernière) partie du cours sera dévouée à l'étude des chapitres 9 et 10 cités plus haut. Une bonne connaissance de la matière enseignée dans les MOOCs Algèbre Linéaire (Partie 1) et Algébre Linéaire (Partie 2) 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 un produit scalaire et maîtriser les propriétés associées à un tel objet (e.g. Inégalité de Cauchy-Schwarz, inégalité du triangle) ;
  • de et maîtriser les notions de bases liées à l'orthogonalité (e.g. familles/bases orthogonales, familles/bases orthonormales, orthogonal d'un sous-espace, Théorème de Pythagore) ;
  • de construire une base orthonormée d'un sous-espace vectoriel d'un espace euclidien à l'aide du procédé de Gram-Schmidt ;
  • de calculer la meilleure approximation quadratique d'un vecteur ;
  • de calculer la solution au sens des moindres carrés d'un système linéaire ;
  • de calculer la factorisation QR d'une matrice donnée, lorsque cela est possible ;
  • de diagonaliser orthogonalement une matrice symétrique donnée ;
  • de déterminer les axes principaux d'une forme quadratique donnée ;
  • de calculer la décomposition en valeurs singulières d'une matrice donnée.
Go to Class
MOOC List is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Related Courses

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
Maths Essentials (edX) EdX
Imperial College Business School,Imperial College London

Maths Essentials (edX)

Discover and acquire the fundamental maths skills that you will need to use while studying an MBA program, from algebra to differentiation and geometric series. Planning to study for an MBA but unsure of your basic maths skills? All MBA programs, and in business generally require some maths, particularly on quantitative subjects such as Accounting, Economics and Finance.

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
MathTrackX: Statistics (edX) EdX
University of Adelaide,AdelaideX

MathTrackX: Statistics (edX)

Understand fundamental concepts relating to statistical inference and how they can be applied to solve real world problems. This course will build on probability and random variable knowledge gained from previous courses in the MathTrackX XSeries with the study of statistical inference, one of the most important parts of statistics.

Self Paced
Self-Paced
Aplicaciones de la Teoría de Grafos a la vida real (I) (edX) EdX
Universitat Politècnica de València,UPValenciaX

Aplicaciones de la Teoría de Grafos a la vida real (I) (edX)

Aprenderemos a modelizar problemas del mundo real mediante su representación con grafos y a resolverlos mediante sus algoritmos asociados. Este curso trata la Teoría de Grafos desde el punto de vista de la modelización, lo que nos permitirá con posterioridad resolver muchos problemas de diversa índole. Presentaremos ejemplos de los distintos problemas en un contexto real, analizaremos la representación de éstos mediante grafos y veremos los algoritmos necesarios para resolverlos.

Self Paced
Self-Paced
Advanced Linear Algebra: Foundations to Frontiers (edX) EdX
University of Texas at Austin,UTAustinX

Advanced Linear Algebra: Foundations to Frontiers (edX)

Learn advanced linear algebra for computing. Linear algebra is one of the fundamental tools for computational and data scientists. In Advanced Linear Algebra: Foundations to Frontiers (ALAFF), you will build your knowledge, understanding, and skills in linear algebra, practical algorithms for matrix computations, and the analysis of the effects of floating-point arithmetic as performed by computers.

Self Paced
Self-Paced
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
Linear Algebra IV: Orthogonality & Symmetric Matrices and the SVD (edX) EdX
Georgia Institute of Technology,GTx

Linear Algebra IV: Orthogonality & Symmetric Matrices and the SVD (edX)

This course takes you through roughly five weeks of MATH 1554, Linear Algebra, as taught in the School of Mathematics at The Georgia Institute of Technology. In the first part of this course you will explore methods to compute an approximate solution to an inconsistent system of equations that have no solutions. Our overall approach is to center our algorithms on the concept of distance.

Self Paced
Self-Paced