Machine learningMatrix Factorization
Singular Value Decomposition
Singular Value Decomposition (SVD) je fundamentalna tehnika faktorizacije matrica koja razlaže bilo koju m × n matricu A na proizvod A = U Σ V^T, gde su U i V ortogonalne matrice, a Σ je dijagonalna matrica singularnih vrednosti. Razvijen od strane Gene Goluba i drugih 1960-ih–1970-ih, SVD je najrobustnija metoda za analizu strukture matrica i rešavanje linearnih sistema.
Pročitajte celu metodu
Samo za članove
Prijavite sePrijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/sr/numerical-methods/singular-value-decomposition
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →