Aller au contenu
Apprendre.
  • M1 · toutes les matières15 matières : Préparation de données, API & sécurité, CI/CD, Docker, Merise, Dataviz, KNIME, ML appliqué : projet LoL, SQL & UML, SQL avancé, Machine Learning, Git, IA frugale & responsable, Qualité des données, MathématiquesAnnée
  • M2 · toutes les matières4 matières : Deep Learning, AI Act, Comex & Fundraising, Gouvernance & DataMeshAnnée
  • Deep LearningM2 · 4 modules · Réseaux de neurones, CNN, texte, modèles génératifs.Matière
  • Préparation de donnéesM1 · 3 modules · Nettoyer, transformer et fusionner des données avec Python.Matière
  • API & sécuritéM1 · 2 modules · Consommer, concevoir et sécuriser des API.Matière
  • CI/CDM1 · 1 module · Intégration et livraison continues.Matière
  • DockerM1 · 3 modules · Conteneurs, images, volumes, réseaux, Compose.Matière
  • MeriseM1 · 2 modules · Modéliser une base : MCD, MLD, MPD.Matière
  • DatavizM1 · 2 modules · Visualiser pour comprendre et décider.Matière
  • KNIMEM1 · 1 module · Explorer et nettoyer des données en workflow.Matière
  • ML appliqué : projet LoLM1 · 2 modules · Du besoin métier au POC de vision par ordinateur.Matière
  • SQL & UMLM1 · 3 modules · Modèles UML et requêtes SQL.Matière
  • SQL avancéM1 · 3 modules · Jointures, fenêtres, CTE, optimisation.Matière
  • Machine LearningM1 · 3 modules · Régression, classification, segmentation, projet.Matière

↑↓ naviguer↵ ouvre le résultat en surbrillanceesc fermer

← Tous les exercices

Itérer $X_{n+1}=MX_n$

Partie 6 · ★★

Le TP calcule X1=MX0X_1=MX_0, X2=MX1X_2=MX_1… Écris evolution(M, x0, n) qui renvoie la liste [X0,X1,…,Xn][X_0, X_1, \dots, X_n] (donc n+1n+1 vecteurs). matvec est fourni. Exemple du TP : M=(1,2−0,3−0,21,1)M=\begin{pmatrix}1{,}2&-0{,}3\\-0{,}2&1{,}1\end{pmatrix}, X0=(100,80)X_0=(100,80) donne X1=(96,68)X_1=(96,68) et X2=(94,8, 55,6)X_2=(94{,}8,\ 55{,}6).

Ctrl/⌘+Entrée