Machine learningMatrix Factorization
Decomposição em Valores Singulares
A Decomposição em Valores Singulares (SVD) é uma técnica fundamental de fatoração de matrizes que decompõe qualquer matriz A m × n no produto A = U Σ V^T, onde U e V são matrizes ortogonais e Σ é uma matriz diagonal de valores singulares. Desenvolvida por Gene Golub e outros nas décadas de 1960-1970, a SVD é o método mais robusto para analisar a estrutura de matrizes e resolver sistemas lineares.
Leia o método completo
Exclusivo para membros
EntrarEntre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Golub, G. H., & Kahan, W. (1970). Calculating the singular values and pseudo-inverse of a matrix. Journal of the SIAM Series B: Numerical Analysis, 2(2), 205–224. DOI: 10.1137/0702016 ↗
- Golub, G. H., & Van Loan, C. F. (1983). Matrix computations (2nd ed.). Johns Hopkins University Press. ISBN: 0801854148
- Trefethen, L. N., & Bau, D. (1997). Numerical Linear Algebra. SIAM. DOI: 10.1137/1.9780898719574 ↗
Como citar esta página
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/pt/numerical-methods/singular-value-decomposition
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →