7. Eckart-Young: The Closest Rank k Matrix to A

Lecture 8: Norms of Vectors and Matrices

6. Singular Value Decomposition (SVD)

9. Four Ways to Solve Least Squares Problems

25. Stochastic Gradient Descent

MIT 18.065 Matrix Methods in Data Analysis, Signal Processing, and Machine Learning, Spring 2018

Визуализация SVD, объяснение сингулярного разложения | SEE Matrix, Глава 3 #SoME2

LLM и GPT - как работают большие языковые модели? Визуальное введение в трансформеры

Низкоранговая адаптация больших языковых моделей: объяснение ключевых концепций LoRA

5. Positive Definite and Semidefinite Matrices

Gilbert Strang: Linear Algebra, Teaching, and MIT OpenCourseWare | Lex Fridman Podcast #52

Как Гений Математик разгадал тайну вселенной

12. Computing Eigenvalues and Singular Values

14. Low Rank Changes in A and Its Inverse

The Eckart-Young Theorem

ДНК создал Бог? Самые свежие научные данные о строении. Как работает информация для жизни организмов

Теренс Тао о том, как Григорий Перельман решил гипотезу Пуанкаре | Лекс Фридман

Основные теоремы в теории игр — Алексей Савватеев на ПостНауке

ПРОКОФЬЕВ - Гениальная сволочь

Lecture 21: Minimizing a Function Step by Step

Grigori Perelman documentary