Pre-computing design matrix given repeated approximation in loop

Hi @stevengj, in first place, thanks for the nice package. I am exploring it for my application where I need to fit an array of data points on a pre-specified grid. The status quo of my application uses linear regression and the key part of the performance is that I can easily pre-compute the regression operator/design matrix as a linear operator of my new data e.g

```
linear_grid = [SVector(E, C, G) for G in Float64.(G_axis) for C in Float64.(C_axis) for E in Float64.(E_axis)];
exps = collect(ExponentsIterator{Graded{LexOrder}}(ntuple(zero, d), maxdegree = P))
X = compute_X(linear_grid, exps)
beta_operator = inv(X'X)X'
```

I have tried your package
```

## smooth through Chebyshev polynomials ##
lb = SVector(minimum(E_axis), minimum(C_axis), minimum(G_axis));
ub = SVector(maximum(E_axis), maximum(C_axis), maximum(G_axis));
ord = (6, 6, 6)
cheb = chebregression(linear_grid, vals, lb, ub, ord)
```
but the regression layer is a bit slower since it seems like it is re-computing the design matrix every time (?) Is there not a way to save time on this step by pre-computing something of the form of `beta_operator = inv(X'X)X'` ?

Inizia leggendo l’uso di `chebregression` e l’esempio `compute_X` nell’issue, concentrandoti sul fatto che la matrice di progetto venga ricostruita a ogni chiamata. Traccia il punto di ingresso esistente della regressione e determina quale precomputazione riutilizzabile dovrebbe essere esposta; il lavoro è completo quando esiste un approccio supportato per eseguire fit ripetuti sulla stessa griglia, con il relativo comportamento documentato e le prestazioni confrontate.

Scritto dal modello di indicizzazione a partire dal testo della issue.