Jerzy Baranowski
Jerzy Baranowski
  • 157
  • 165 627
Metody Numeryczne 2024 - Wykład 7 - Wartości własne i równania nieliniowe
Wykład nagrany przy żywej publiczności, jakość audio średnia.
Pierwsza część wykładu jest mocno skrócona - wprowadzenie do wartości własnych odbyło się na wykładzie z zastępstwem bez nagrania.
มุมมอง: 456

วีดีโอ

Metody Numeryczne 2024 - Wykład 6 - Macierze prostokątne i o dużym wymiarze
มุมมอง 319วันที่ผ่านมา
Wykład nagrany przy żywej publiczności, jakość audio średnia.
Metody Numeryczne 2024 - Wykład 3 - Błędy zaokrągleń
มุมมอง 160วันที่ผ่านมา
Wykład nagrany przy żywej publiczności, jakość audio średnia.
Metody Numeryczne 2024 - Wykład 1 - Wprowadzenie
มุมมอง 204วันที่ผ่านมา
Wykład nagrany przy żywej publiczności, jakość audio średnia.
Metody Numeryczne 2024 - Wykład 2 - Elementy analizy numerycznej
มุมมอง 177วันที่ผ่านมา
Wykład nagrany przy żywej publiczności, jakość audio średnia.
Usługi AGH w ramach European Digital Innovation Hub
มุมมอง 5246 หลายเดือนก่อน
Usługi AGH w ramach European Digital Innovation Hub
Metody numeryczne 2023 - Wykład 10 - Aproksymacja wielomianowa i nie tylko
มุมมอง 953ปีที่แล้ว
Metody numeryczne 2023 - Wykład 10 - Aproksymacja wielomianowa i nie tylko
Metody numeryczne 2023 - Wykład 9 - Interpolacja wielomianowa
มุมมอง 670ปีที่แล้ว
Metody numeryczne 2023 - Wykład 9 - Interpolacja wielomianowa
Metody numeryczne 2023 - Wykład 8 - Rozwiązywanie równań nieliniowych
มุมมอง 801ปีที่แล้ว
Metody numeryczne 2023 - Wykład 8 - Rozwiązywanie równań nieliniowych
Metody numeryczne 2023 - Wykład 7 - Pierwiastki wielomianów i wartości własne
มุมมอง 634ปีที่แล้ว
Metody numeryczne 2023 - Wykład 7 - Pierwiastki wielomianów i wartości własne
Metody numeryczne 2023 - Wykład 6 - Rozkład QR i metody iteracyjne
มุมมอง 764ปีที่แล้ว
Metody numeryczne 2023 - Wykład 6 - Rozkład QR i metody iteracyjne
Metody numeryczne 2023 - Wykład 5 - Rozkład LU
มุมมอง 783ปีที่แล้ว
Metody numeryczne 2023 - Wykład 5 - Rozkład LU
Metody numeryczne 2023 - Wykład 2 - Elementy analizy numerycznej
มุมมอง 1.1Kปีที่แล้ว
Metody numeryczne 2023 - Wykład 2 - Elementy analizy numerycznej
Metody numeryczne 2023 - Wykład 1 - Wprowadzenie do przedmiotu
มุมมอง 2.8Kปีที่แล้ว
Metody numeryczne 2023 - Wykład 1 - Wprowadzenie do przedmiotu
Metody numeryczne 2023 - Wykład 4 - Repetytorium algebry liniowej i wstęp do układów równań
มุมมอง 754ปีที่แล้ว
Metody numeryczne 2023 - Wykład 4 - Repetytorium algebry liniowej i wstęp do układów równań
Data Analytics 2023 - Markov Chain Monte Carlo
มุมมอง 229ปีที่แล้ว
Data Analytics 2023 - Markov Chain Monte Carlo
Data Analytics 2023 - Lecture ? - Managing expectations
มุมมอง 138ปีที่แล้ว
Data Analytics 2023 - Lecture ? - Managing expectations
Data Analytics 2023 - Lecture 2.2 - Our first model
มุมมอง 213ปีที่แล้ว
Data Analytics 2023 - Lecture 2.2 - Our first model
Data Analytics 2023 - Lecture 2.1 - Bayesian basics
มุมมอง 176ปีที่แล้ว
Data Analytics 2023 - Lecture 2.1 - Bayesian basics
Data Analytics 2023 - Lecture 1.2 - Intro to statistical modelling
มุมมอง 222ปีที่แล้ว
Data Analytics 2023 - Lecture 1.2 - Intro to statistical modelling
Data Analytics 2023 - Lecture 1.1 - Organization
มุมมอง 306ปีที่แล้ว
Data Analytics 2023 - Lecture 1.1 - Organization
DA2022 Lecture 3
มุมมอง 1782 ปีที่แล้ว
DA2022 Lecture 3
DA 2022 Lecture 1
มุมมอง 3002 ปีที่แล้ว
DA 2022 Lecture 1
DA2022 Lecture 2
มุมมอง 1402 ปีที่แล้ว
DA2022 Lecture 2
Metody Numeryczne 2021 - Wykład 15 - Numeryczne rozwiązywanie równań różniczkowych cz. 2
มุมมอง 1.1K3 ปีที่แล้ว
Metody Numeryczne 2021 - Wykład 15 - Numeryczne rozwiązywanie równań różniczkowych cz. 2
Metody Numeryczne 2021 -- Wykład 12 Rozwiązywanie równań nieliniowych
มุมมอง 2K3 ปีที่แล้ว
Metody Numeryczne 2021 Wykład 12 Rozwiązywanie równań nieliniowych
Metody Numeryczne 2021 - Wykład 10 - Układy równań o dużym wymiarze
มุมมอง 1.6K3 ปีที่แล้ว
Metody Numeryczne 2021 - Wykład 10 - Układy równań o dużym wymiarze
Metody Numeryczne 2021 - Wykład 11 - Pierwiastki wielomianów
มุมมอง 1.2K3 ปีที่แล้ว
Metody Numeryczne 2021 - Wykład 11 - Pierwiastki wielomianów
Metody Numeryczne 2021 - Wykład 9 - Układy równań z macierzami prostokątnymi
มุมมอง 1.1K3 ปีที่แล้ว
Metody Numeryczne 2021 - Wykład 9 - Układy równań z macierzami prostokątnymi
Metody Numeryczne 2021 - Wykład 8 - Rokzład LU cd i Rozkład Choleskiego
มุมมอง 1.1K3 ปีที่แล้ว
Metody Numeryczne 2021 - Wykład 8 - Rokzład LU cd i Rozkład Choleskiego

ความคิดเห็น

  • @wojciechpawowski1169
    @wojciechpawowski1169 16 วันที่ผ่านมา

    Gościu, wykład naprawdę wporzo, ale ten Twój ton, osoby wszystkowiedzącej, wynoszącej się ponad poziom słuchaczy, zniechęca mnie do audycji. Wiem, że nie Twoim zamiarem była taka percepcja u Twoich sĺuchaczy, ale niestety muszę to wyłączyć i odnaleźć inny materiał, który będzie strawny. Pomimo to pozdrawiam.

  • @holyshit922
    @holyshit922 20 วันที่ผ่านมา

    25:22 Aproksymacja szeregiem Czebyszowa Bawiłem się trochę tym wzorkiem na współczynniki tego szeregu i dla pewnych funkcji jak np funkcja wagowa dla wielomianów Czebyszowa (tych pierwszego rodzaju) podane całki albo nie istnieją albo są rozbieżne (testowana funkcja to f(x)=1/sqrt(1-x^2)) Wiem że wy i tak nie używacie tego wzorku ale czy na pewno jest on prawdziwy

  • @Doiges123
    @Doiges123 3 หลายเดือนก่อน

    19:09 - początek

  • @holyshit922
    @holyshit922 7 หลายเดือนก่อน

    1:11:24 Jeżeli rozwiniemy funkcję f(x) w szereg potęgowy to gdybyśmy chcieli współczynniki liczyć tą całką to dla jednomianu mielibyśmy złożoność czasową O(n^2) i pamięciową O(n) Czy w ogólnym przypadku wzorek nie wygląda następująco a_{k} = \frac{1}{p}\int\limits_{t_{1}}^{t_{2}}f(x)w(x)P_{k}(x)dx gdzie P(x) = jest danym wielomianem ortogonalnym w(x) jest funkcją wagową Nie do końca wiem co oznacza przedział \langle t_{1};t_{2} angle Czyżby to była dziedzina danego wielomianu ortogonalnego ? p = \int\limits_{t_{1}}^{t_{2}}P_{k}^2(x)w(x)dx

  • @jakubmichalak
    @jakubmichalak 9 หลายเดือนก่อน

    bardzo dziękuję - potrzebowałem tego

  • @holyshit922
    @holyshit922 11 หลายเดือนก่อน

    37:35 Czy nie trzeba tutaj wziąć Realis z tej urojonej eksponenty ?

  • @DanielGlabicki
    @DanielGlabicki ปีที่แล้ว

    Naprawdę piękny piesio 😍

  • @ThePrzemcom
    @ThePrzemcom ปีที่แล้ว

    Ciekawy temat, ciekawy wyklad Pozdrawiam Pana Wykładowcę! 😊

    • @tadektretter3895
      @tadektretter3895 ปีที่แล้ว

      Cześć/Dzień dobry. Chciałbym się dowiedzieć co tutaj jest takiego ciekawego ? Wg mnie to totalne bzdety, zapychacze materiału na studiach. Zamiast uczyć praktycznych umiejętności to ci ,, wykładowcy " wsadzają do głów wiedzę zbędną. Zanim otrzymam wiadomość, że to nie jest wiedza dla kretynów po zawodówce ( nie umniejszając im ) nadmieniam, że jestem inżynierem budownictwa pracującym w zawodzie. Pozdrawiam.

  • @zegota9480
    @zegota9480 ปีที่แล้ว

    Czy taktyka z nauczeniem sie połowy pytań na 1 termin, 3/4 na 2 termin i 1/1 na ostatni termin jest taktyką optymalną i akredytowaną przez Profesora?

    • @JerzyBaranowski_Lectures
      @JerzyBaranowski_Lectures ปีที่แล้ว

      Szczęście w życiu trzeba mieć:) jak ktoś je ma to i 1/10 pytań wystarczy.

  • @lufix5410
    @lufix5410 ปีที่แล้ว

    Fajnie wytłumaczone 😎

  • @fifitko6777
    @fifitko6777 ปีที่แล้ว

    Bardzo rzeczowy i technicznie dobrze zrobiony wykład - naprawdę można z niego sporo "wyciągnąć", pozdrawiam ;)

  • @mudassaba8194
    @mudassaba8194 ปีที่แล้ว

    Kontynuując macierzami kwadratowymi, rozkładanymi LU oraz popijanych Gaussem 🤣

  • @Benekthecollector
    @Benekthecollector ปีที่แล้ว

    Ciekawy wykład 👍

  • @DuszekGru
    @DuszekGru ปีที่แล้ว

    Codziennie po 10 obrad rozumiem nowa zabawka i chcecie sie pobawic ale zepsujecie zaniedlugo bo za duzo uzywacie 😂

  • @holyshit922
    @holyshit922 ปีที่แล้ว

    Znalazłem gdzieś pliki źródłowe z książki Press , Teukolsky Numerical recipes in C i podczas kompilacji do plików obiektowych wystąpiło kilka ostrzeżeń i błędów (a to spowodowanych brakiem dołączenia pliku nagłówkowego a to spowodowanych konfliktem nazw) Pliki obiektowe można by było spakować do pliku z rozszerzeniem .a

  • @trenox7165
    @trenox7165 ปีที่แล้ว

    Pozdrawiam!

  • @Aledupa12
    @Aledupa12 ปีที่แล้ว

    Czasami slabo slychac dzwiek. Do poprawy. Pozatym dziekuje za wyklad.

    • @roberts3145
      @roberts3145 26 วันที่ผ่านมา

      dobrze ze obraz slychać chociaż

  • @holyshit922
    @holyshit922 ปีที่แล้ว

    35:25 a co z warunkami początkowymi dla tej relacji ? Poza tym czy ta rekurencja to na pewno dobry pomysł ? Czy nie lepiej byłoby ją rozwiązać gdybyśmy chcieli napisać program ? Poza tym na wielomiany Legendre mam inną relację , pochodzącą z rozwiązania równania różniczkowego c_{k+2} = (k-n)(k+n+1)/((k+2)(k+1))c_{k} P_{n}(-x) = (-1)^{n}P_{n}(x) P_{n}(1) = 1 Ta relacja daje współczynniki wielomianu Legendre'a stopnia n a jej koszt jest liniowy względem stopnia wielomianu ponieważ w każdej iteracji korzystamy z wcześniejszych obliczeń a koszt obliczeń wykonywanych w jednej iteracji jest stały Wszystkie węzły Legendre'a są rzeczywiste , należą do przedziału (-1;1) Są rozłożone symetrycznie względem zera

  • @pawegorka8589
    @pawegorka8589 ปีที่แล้ว

    dzień dobry

  • @holyshit922
    @holyshit922 ปีที่แล้ว

    * Kwadratury Newtona - Cotesa (tutaj wzory na interpolację wielomianową powinny być przydatne) * Kwadratury Gaussa (tutaj wielomiany ortogonalne powinny być przydatne)

  • @holyshit922
    @holyshit922 ปีที่แล้ว

    25:17 Tak ,tak Czebyszewa tylko obaj wiemy że w ostatniej głosce jest jo Co z innymi wielomianami ortogonalnymi jak np Hermite,Laguerre, Legendre , czy ich także można by użyć do interpolacji

  • @xyz111xyz
    @xyz111xyz ปีที่แล้ว

    Nie rozumiem fenomenu wykładania używając gotowych slajdów, przecież naprawdę ciężko jest się skupić i zrozumieć wykładany temat w taki sposób. Lepszym rozwiązaniem byłoby przynajmniej pisanie na bieżąco i tłumaczenie kolejnych przejść/pojęć, a tam gdzie się da zobrazowanie pewnych intuicji. Proszę się zastanowić czy gdyby chciał się Pan dowiedzieć czegoś zupełnie nowego czy faktycznie odpowiadałby Panu własny sposób tłumaczenia :)

  • @chackken
    @chackken ปีที่แล้ว

    Dziękuję bardzo za udostępnienie tych wykładów, ja z innej uczelni i wlasnie pomogly mi się obronić, pozdrawiam ;)

  • @kingawisniewska558
    @kingawisniewska558 ปีที่แล้ว

    może ktoś wytłumaczyć jakie są obszary zastosowań metod numerycznych do zagadnień technicznych ??

  • @stanislawpalka9015
    @stanislawpalka9015 2 ปีที่แล้ว

    23:36 Bzdura. "I dlatego mnożenie jest najwolniejszą operacją". Duzo wolniejsze jest dzielenie.

  • @zzzz-h7t1w
    @zzzz-h7t1w 2 ปีที่แล้ว

    i dzień od razu lepszy swietna robota!

    • @holyshit922
      @holyshit922 ปีที่แล้ว

      A potrafisz na podstawie tego wykładu napisać kod programu ? Już sam rozkład QR będzie trudny do napisania bazując jedynie na tym video Dobrze wytłumaczona metoda odbić Householdera załatwiłaby zarówno redukcję macierzy do postaci Hessenberga jak i sam rozkład QR Zarówno w przypadku redukcji macierzy do postaci Hessenberga jak i w przypadku rozkładu QR nie potrzeba mnożyć przez macierze odbić Householdera tzn nie trzeba pamiętać całej macierzy odbicia i stosować szkolnego mnożenia macierzy Jedno takie mnożenie zajęłoby O(n^2) pamięci i O(n^3) czasu a można takie mnożenie wykonać z wykorzystaniem tylko O(n) pamięci i O(n^2) czasu (To byłoby nieefektywne zarówno pamięciowo jak i czasowo) (Ja redukcję macierzy do postaci Hessenberga znalazłem dość dobrze opisaną w książce Fortuna , Macukow , Wąsowski Metody numeryczne niestety tylko za pomocą eliminacji Gaussa) Jeśli chodzi o rozkład QR to mnie udało się jedynie rozpisać mnożenie przez macierze obrotów (Jedno mnożenie przez macierz obrotu wymaga O(n) czasu i O(1) pamięci , do rozkładu QR potrzebne jest n^2 takich mnożeń a jeżeli macierz jest w postaci Hessenberga to tylko n) Zostaje jeszcze odpowiedni dobór przesunięć , napisanie metody QR tak aby działała na wybranym bloku macierzy Oczywiście gotowca można znaleźć w kodach do książki Numerical recipes in C no ale ciekawe czy czytając ten kod zrozumiesz jak on działa Poprawne zapisanie metody QR nie jest aż takie łatwe jak mogłoby się wydawać

  • @Gike-
    @Gike- 2 ปีที่แล้ว

    Dziękuję!!!

  • @holyshit922
    @holyshit922 2 ปีที่แล้ว

    To ja w swoim kodzie chyba właśnie użyłem tej wagi barycentrycznej ale wg mnie nie zmniejszyło to złożoności czasowej Nie zmieniło bo liczyłem także współczynniki wielomianu interpolacyjnego a nie tylko samą wartość wielomianu w punkcie Na to pierwsze usprawnienie barycentryczne dość łatwo było wpaść Na to drugie też pewnie bym wpadł gdyby nie zależało mi na wyznaczeniu współczynników wielomianu interpolacyjnego

  • @mariuszmk4310
    @mariuszmk4310 2 ปีที่แล้ว

    01:52 - Czyżby mowa o fractionalach? :)

  • @holyshit922
    @holyshit922 2 ปีที่แล้ว

    Ja to widzę tak Redukcja macierzy do postaci Hessenberga przydatna do liczenia wartości własnych dowolnej macierzy bo przyśpiesza rozkład QR macierzy Jeżeli liczymy wartości własne tylko po to aby dostać pierwiastki zadanego równania wielomianowego to nie jest ona konieczna bo macierz stowarzyszona już na wejściu jest w postaci Hessenberga Co do sposobu zrealizowania tej redukcji to widziałem dobrze opisaną eliminację Gaussa (aby zachować podobieństwo macierzy wykonujemy operacje zarówno na wierszach jak i na kolumnach) Łatwo ją opisać i zaprogramować ale bywa niestabilna numerycznie Tutaj lepiej sprawdziłaby się metoda odbić Householdera Jeżeli chodzi o rozkład QR to dla macierzy Hessenberga nie widzę jakiejś różnicy między metodą odbić Householdera a metodą obrotów Givensa czy tam Jacobiego przy czym mnożenie przez macierze obrotów łatwiej rozpisać i zaprogramować Co do przesunięcia to może ono przyśpieszyć zbieżność iteracyjnej redukcji macierzy do postaci Schura Jako że elementy macierzy są rzeczywiste a wartości własne mogą być zespolone to kuszące może być podwójne przesunięcie (ang doubly implicit shift) co pozwoliłoby przyśpieszyć zbieżność unikając arytmetyki zespolonej Jeżeli chodzi o deflację to wydaję mi się że trzeba by tak zmodyfikować rozkład QR oraz mnożenie macierzy aby działać na wybranej podmacierzy aby nie zwiększać niepotrzebnie złożoności pamięciowej która i tak jest dość duża jeżeli używamy metody QR do znajdowania pierwiastków wielomianu Jeżeli chodzi o warunek stopu to przydałby się jeszcze jakiś oprócz maksymalnej liczby iteracji

  • @luki-fg6qr
    @luki-fg6qr 2 ปีที่แล้ว

    Super wykład!

  • @holyshit922
    @holyshit922 2 ปีที่แล้ว

    18:13 Ja bym wziął transpozycję macierzy podanej na tym filmiku jako macierz stowarzyszoną lub ewentualnie z współczynnikami w pierwszym wierszu a jedynkami poniżej głównej przekątnej bo wtedy macierz już na wejściu będzie w postaci Hessenberga i redukcja wymienionych przeze mnie macierzy stowarzyszonych do tej postaci nie jest konieczne Co do redukcji do postaci Hessenberga to w książce Fortuny,Macukowa,Wąsowskiego Metody numeryczne jest dość dobrze opisana metoda eliminacji Gaussa Mimo iż jest ona dosyć szybka to podobno dla pewnych macierzy może być niestabilna numerycznie Redukcję do postaci Hessenberga lepiej byłoby przeprowadzić za pomocą odbić Householdera Jeśli chodzi o rozkład QR macierzy w postaci Hessenberga to nie widzę jakiejś przewagi metody odbić Householdera nad metodą obrotów Givensa Ponadto mnożenie przez macierze obrotów łatwiej rozpisać na papierze i napisać kod Co do przesunięcia to jakie tutaj najlepiej wybrać ? Czy wektor dla którego liczymy iloraz Rayleigha musi dążyć do wektora własnego ? Może podwójne przesunięcie będzie dobrym pomysłem bo elementy macierzy są rzeczywiste a wartości własne mogą być zespolone Gdy uzyskamy postać Schura to zespolone wartości własne można odczytać z bloków 2x2 znajdujących się na przekątnej Jeśli chodzi o deflację to czy można ją napisać w miejscu (bez dodatkowej pamięci) Jaki można dać inny warunek stopu niż maksymalna liczba iteracji ? Postać Schura może się nie różnić od postaci Hessenberga więc jak stwierdzić czy można już przerwać obliczenia

  • @marcinziajkowski3870
    @marcinziajkowski3870 2 ปีที่แล้ว

    To są oficjalne wykłady z AGH ?

    • @JerzyBaranowski_Lectures
      @JerzyBaranowski_Lectures 2 ปีที่แล้ว

      W jakim sensie oficjalne? Czy były częścią kursu z metod numerycznych na AGH? Tak. Czy są one elementem systemu e-learningu? Nie. Najnowsze wykłady były nagrywane na sali ze studentami.

  • @holyshit922
    @holyshit922 3 ปีที่แล้ว

    Funkcja rref byłaby przydatna Ja nawet znalazłem przykładowy kod takiej funkcji tyle że pisanej przez amerykańców a oni nie umieją dobrze projektować warunków dla instrukcji iteracyjnych tylko wyskakują z nich instrukcjami break

  • @holyshit922
    @holyshit922 3 ปีที่แล้ว

    Sposób na macierz stowarzyszoną bez zapamiętywania Przekształcić równanie różniczkowe bądź różnicowe wyższego rzędu w odpowiadający mu układ równań

  • @goatom
    @goatom 3 ปีที่แล้ว

    Dzięki za free wiedzę byqu

  • @holyshit922
    @holyshit922 3 ปีที่แล้ว

    Jeśli chodzi o wielomiany to mając funkcję do dzielenia wielomianów z resztą mógłbym napisać funkcję do obliczania NWD wielomianów jednak czytałem że algorytm Euklidesa dla wielomianów jest niestabilny numerycznie Jest jakiś sposób na poprawienie własności numerycznych NWD wielomianów Zastanawiałem się nad programem do symbolicznego całkowania funkcji wymiernych i tam NWD wielomianów przydałoby się w dwóch miejscach (Przy wstępnym skracaniu licznika i mianownika oraz przy obliczaniu mianowników do wydzielenia części wymiernej całki sposobem Ostrogradskiego)

    • @JerzyBaranowski_Lectures
      @JerzyBaranowski_Lectures 3 ปีที่แล้ว

      Ale tu jest problem z uwarunkowaniem. Im wyższy stopień wielomianu tym bardziej wrażliwy na błędy zaokrągleń współczynników. Macierze są dużo bardziej tolerancyjne

  • @mudassaba8194
    @mudassaba8194 3 ปีที่แล้ว

    Fajna alternatywa dla matlaba jest pakiet sage

  • @holyshit922
    @holyshit922 3 ปีที่แล้ว

    Równania wyższych rzędów można sprowadzić do układu równań pierwszego rzędu Równanie drugiego rzędu można ponadto sprowadzić do równania Riccatiego

    • @JerzyBaranowski_Lectures
      @JerzyBaranowski_Lectures 3 ปีที่แล้ว

      Tyle że nadal to daje uzysk w formie rozwiązań analitycznych, które dla nieliniowych problemów generalnie nie istineją.

  • @holyshit922
    @holyshit922 3 ปีที่แล้ว

    Ja napisałem w C# program do znajdowania pierwiastków równania wielomianowego przez znajdowanie wartości własnych pewnej macierzy Jednak nie jestem pewien czy poprawnie zapisałem metodę numerycznego znajdowania wartości własnych bo w tej wersji co ją zapisałem to dla wielomianów o pierwiastkach jednokrotnych zadowalającą dokładność osiąga po ok 1000 iteracjach a dla wielomianu o pierwiastkach wielokrotnych po ok 1000 iteracjach otrzymuję dokładność do ok jednej tysięcznej Użyłem metody QR , nie sprowadzałem macierzy do postaci Hessenberga ale i nie było takiej potrzeby bo macierz na wejściu była w tej postaci Maksymalną liczbę iteracji dałem jako stałą Próbowałem zastosować iloraz Rayleigha jako przesunięcie ale mam wątpliwości co do tego czy poprawnie go policzyłem bo w testach nie widziałem tego aby poprawiło to zbieżność Warunkiem stopu była maksymalna liczba iteracji ale może powinienem dać inny warunek stopu Co do przesunięcia to może lepiej byłoby wybrać inne niż iloraz Rayleigha Dałbym odnośnik do kodu ale Google ich nie lubi i kasuje komentarze je zawierające ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- Mam pytanie czy w związku z tym że Google kasuje wpisy z odnośnikami to można by było się jakoś inaczej skontaktować z Panem Baranowskim lub z kimś kto ukończył kurs Metod Numerycznych

    • @JerzyBaranowski_Lectures
      @JerzyBaranowski_Lectures 3 ปีที่แล้ว

      Najlepiej proszę do mnie napisać maila na mój mail na AGH. Co do Pana pytania, to właśnie te 1000 iteracji to jest dość sporo, po to mamy redukcje do Hessenberga i deflację. Pierwiastki wielokrotne są kłopotliwym tematem dla numeryki, bo generalnie nie istnieją. Jeżeli mamy problem z pierwiastkami wielokrotnymi, to należy przeanalizować strukturę, która wskazuje na ich istnienie.

    • @holyshit922
      @holyshit922 3 ปีที่แล้ว

      @@JerzyBaranowski_Lectures Co do redukcji do postaci Hessenberga to jeśli liczymy wartości własne w kontekście pierwiastków wielomianu to macierz stowarzyszona jest już na wejściu w takiej postaci tylko że lepiej wybrać nieco inną macierz stowarzyszoną niż ta na filmiku (taką aby współczynniki wielomianu były w pierwszym wierszu macierzy , lub ewentualnie macierz będącą transpozycją macierzy podanej na filmiku) Redukcja do macierzy Hessenberga przyśpiesza rozkład QR macierzy ale czy zmniejsza liczbę iteracji Odpowiedni dobór przesunięć mogłoby zmniejszyć liczbę iteracji Co do redukcji do macierzy Hessenberga to u trójki Fortuna, Macukow,Wąsowski widziałem dość dobrze opisaną eliminację Gaussa Jak efektywnie mnożyć przez macierze odbić Householdera , bo standardowe mnożenie zwiększyłoby zarówno czasową jak i pamięciową złożoność redukcji do macierzy Hessenberga bądź samego rozkładu QR Jeżeli chodzi o rozkład QR macierzy Hessenberga to czy dokonamy go mnożąc przez macierze odbić Householdera, czy mnożąc przez macierze obrotów nie powinno wpłynąć na złożoność W przypadku rozkładu QR metodą mnożenia przez obroty to samodzielnie przemnożyłem sobie kilka macierzy przez macierze obrotów i zapisałem to w kodzie W przypadku rozkładu QR metodą mnożenia przez odbicia to znalazłem w sieci gotowca jednak ciekaw jestem jak takie efektywne mnożenie przez odbicia Householdera wyprowadzić bo odbicia Householdera mogą też się przydać do redukcji do macierzy Hessenberga Co z przesunięciami , ja w jednej prezentacji widziałem propozycję aby obliczyć iloraz Rayleigha dla ostatniej kolumny macierzy Q a z Pana filmiku wynika że wektory dla których liczymy iloraz Rayleigha powinny dążyć do wektora własnego Co z innymi przesunięciami np z przesunięciem Wilkinsona czy aby to przesunięcie nie wymagałoby wprowadzenia liczb zespolonych Ostatnio spawdziłem że z wielokrotnymi wartościami własnymi nawet Pythonowy gotowiec z numpy ma problem Z NWD wielomianów i dzieleniem można by było się tych pierwiastków wielokrotnych pozbyć ale podobno obliczenie NWD wielomianów też jest problematyczne numerycznie

  • @jacekk9618
    @jacekk9618 3 ปีที่แล้ว

    kox

  • @zzzz-h7t1w
    @zzzz-h7t1w 3 ปีที่แล้ว

    ejyo dobry material noworoczny

  • @tommylub
    @tommylub 3 ปีที่แล้ว

    Rewelacyjna seria wykładów. Na dodatek świetnie wytłumaczona.

  • @zzzz-h7t1w
    @zzzz-h7t1w 3 ปีที่แล้ว

    mega

  • @zzzz-h7t1w
    @zzzz-h7t1w 3 ปีที่แล้ว

    mocny materiał, pozdrawiam

  • @remigiuszpe1344
    @remigiuszpe1344 3 ปีที่แล้ว

    Może Pan głośniej mówić...? :(

  • @holyshit922
    @holyshit922 3 ปีที่แล้ว

    Wszędzie pokazują ten rozkład z wykorzystaniem mnożenia macierzy (macierze obrotów Givensa bądź macierze odbić Householdera ) a pisząc program raczej nie będę mnożył macierzy Nigdzie nie widziałem żadnych praktycznych rad jak taki rozkład napisać w ulubionym języku programowania Obroty Givensa jakoś napisałem bo sobie na kartce rozpisałem kilka iloczynów GA , gdzie G jest macierzą obrotu Givensa Poza tym co z zastosowaniem * wartości i wektory własne Czy w algorytmie A_{k} = Q_{k}R_{k} A_{k+1} = R_{k}Q_{k} redukcję do macierzy Hessenberga wystarczy wykonać tylko jeden raz przed wykonaniem instrukcji iteracyjnej czy po każdej iteracji ? Jeżeli redukcję do macierzy Hessenberga wystarczy wykonać tylko jeden raz to rzeczywiście może to przyśpieszyć algorytm 2. Jak odpowiednio dobrać przesunięcie aby przyśpieszyć zbieżność algorytmu 3. Jak obliczyć wektory własne metodą QR

    • @JerzyBaranowski_Lectures
      @JerzyBaranowski_Lectures 3 ปีที่แล้ว

      Odpowiadam po dłuższym czasie, ale dopiero teraz przeglądam komentarze. A ten był w wakacje:) Co do szczegółów implementacji algorytmu QR odesłałbym do Bau i Trefnethen "Numerical Linear Algebra". Samo mnożenie macierzy nie jest takim dużym problemem, bo QR jest tak szybko zbieżne, że i tak efektywna złożoność algorytmu to n^3 (dla większych n rzecz jasna). Generalnie wektory własne jak się zna wartości jest łatwo wyliczyć, ale jeśli chce się liczyć jedno i drugie wydajniejszy jest algorytm divide and conquer.

    • @holyshit922
      @holyshit922 3 ปีที่แล้ว

      @@JerzyBaranowski_Lectures Gdybym chciał numerycznie policzyć pierwiastki równania wielomianowego to wystarczyłyby tylko wartości własne choć rozwiązanie to byłoby dość kosztowne pamięciowo Jeżeli jednak miałbym rozwiązać równanie różniczkowe liniowe o stałych współczynnikach bądź układ równań różniczkowych liniowych o stałych współczynnikach to już potrzebne byłyby zarówno wartości własne jak i wektory własne Napisałem ten algorytm QR ale bez przesunięć i bez redukcji do macierzy Hessenberga i zadowalające rezultaty dostawałem dopiero po około 1000 iteracjach Próbowałem też jako przesunięcia użyć ilorazu Rayleigh'a ale nie jestem pewien czy poprawnie go napisałem "Generalnie wektory własne ..." Tak na algebrze rozwiązywało się wtedy dla każdej wartości własnej jednorodny układ równań liniowych który z założenia był nieoznaczony Mogło się tak zdarzyć że liniowo niezależnych wektorów własnych jest mniej niż wartości własnych (licząc je z krotnościami) Sugerowałoby to napisanie własnej funkcji rref chyba że jest inny sposób O co mi chodziło z tymi praktycznymi radami jak napisać ten rozkład Chodziło mi o przedstawienie rozkładu QR w podobny sposób jak to zrobili dla rozkładu LU na ważniaku W przypadku obrotów Givensa po rozpisaniu iloczynów GA okazało się że zamiast mnożenia macierzy wystarczy dodać dwa wiersze przy redukcji macierzy A do macierzy R oraz dodania dwóch kolumn w przypadku wyznaczania macierzy Q

    • @JerzyBaranowski_Lectures
      @JerzyBaranowski_Lectures 3 ปีที่แล้ว

      @@holyshit922 1. Numeryczne rozwiązanie równania wielomianowego o jakimkolwiek normalnym stopniu i tak musimy przez wartości własne. 2. Wektory własne liczy się relatywnie łatwo, choćby przez iterację prostą, ale jak się chce numerycznie rozwiązać układ liniowych równań różniczkowych to lepiej zastosować aproksymację macierzy exp(At). 3. Na moim githubie (do tego kursu) jest algorytm QR z deflacją i przesunięciami. Jest publicznie dostępny,. Oczywiście nie optymalny, ale działa całkiem nieźle - kilka iteracji na wartość własną. 4. Niestety algorytm QR faktycznie wymaga mnożenia macierzy, ale to znowu nie tak duzy naklad obliczeniowy.

    • @holyshit922
      @holyshit922 2 ปีที่แล้ว

      @@JerzyBaranowski_Lectures Mnie chodziło o to że do samego rozkładu QR nie jest potrzebne mnożenie macierzy (bo np mnożenie macierzy przez macierze obrotów można zapisać modyfikując dwa wiersze w przypadku lewostronnego mnożenia lub modyfikując dwie kolumny w przypadku prawostronnego mnożenia) Mnożenia lewostronnego używamy aby z macierzy A dostać macierz R a mnożenia prawostronnego używamy aby z macierzy I dostać macierz Q tyle że każde takie mnożenie przez macierz obrotu kosztuje O(n) operacji i O(1) dodatkowej pamięci zamiast O(n^3) operacji i O(n^2) dodatkowej pamięci gdybyśmy chcieli użyć sposobu mnożenia macierzy znanego ze szkoły bez wykorzystywania szczególnej postaci macierzy przez którą mnożymy Mnożenie przez macierz obrotu wymaga O(n) operacji i O(1) dodatkowej pamięci ale pozwala na wyzerowanie tylko jednego elementu W przypadku mnożenia przez macierze odbić Householdera już jest trochę inaczej i nie widziałem aby ktoś dobrze przedstawił to jak należy mnożyć przez macierze odbić Mnożenie przez macierz odbicia ma złożoność O(mn) operacji i O(m) dodatkowej pamięci ale pozwala wyzerować wszystkie elementy w kolumnie poniżej diagonali Jednak to jak należy mnożyć przez macierze odbić nie jest aż takie oczywiste jak w przypadku macierzy obrotów , ba nawet sam sposób tworzenia tych macierzy odbić wydaje mi się bardziej skomplikowany niż w przypadku macierzy obrotów Co do samego algorytmu QR to widziałem gotowca w Numerical recipes in C Pressa i Teukolskiego Tam dużo instrukcji break użyli ale jakoś to napisali że nie ich funkcja nie wymaga dodatkowej pamięci , dodatkowo w większości przypadków ich funkcja zadowalający wynik zwraca już po ok 30 iteracjach Jednak jak dla mnie ten ich kod dość trudno się czyta

  • @ciferusbux
    @ciferusbux 3 ปีที่แล้ว

    Nie rozumiem tego wzoru na normę ogólną , spróbowałem otrzymać takie same figury geometryczne i nie wyszło. Dla normy l1 nie wyszedł mi odwrócony kwadrat ale figura z 4 połączonych okręgów . Najpierw wziąłem współrzędne biegunowe punktów na okręgu , zamieniłem je na kartezjańskie , chciałem policzyć normę l1 więc dodałem do siebie wartość bezwzględną x i wartość bezwzględną y, otrzymując w moim mniemaniu normę , póżniej tą normę wstawiłem jako promień do współrzędnych biegunowych w których już znałem kąt i zamieniłem na współrzędne kartezjańskie . Niestety nie powtórzyłem otrzymanych przez Pana wykresów . Nie jestem studentem nie mogę się zarejestrować na platformie UPEL

    • @JerzyBaranowski_Lectures
      @JerzyBaranowski_Lectures 3 ปีที่แล้ว

      Ok, robisz to troszkę nieprawidłowo. Aby uzyskać kulę w danej normie z punktów we współrzędnych biegunowych trzeba po prostu podzielić x i y, przez wartość tej normy. Prościej zobaczyć na przykładzie: colab.research.google.com/drive/199oxy1LrqH6KIyvBAiuYYsaAJhxBY35X?usp=sharing

    • @ciferusbux
      @ciferusbux 3 ปีที่แล้ว

      @@JerzyBaranowski_Lectures przykład pomógł , dziękuję

  • @bartdziubek327
    @bartdziubek327 3 ปีที่แล้ว

    kolejny wartościowy materiał

  • @bartdziubek327
    @bartdziubek327 3 ปีที่แล้ว

    wartościowy materiał, przedstawiony w przystępny sposób