Lab visuel IA

Un serveur façon Discord pour comprendre l'intelligence artificielle en manipulant : chaque canal est une scène 3D guidée par un tuteur, pilotée par des commandes.

🧠 Réseaux de neurones

Du neurone seul au CNN : ce qui fait qu'un réseau apprend, et ce qui le fait déraper.

#neurone — Décomposons un neurone : entrées, poids, somme, activation.
#dropout — Régularisation par dropout : le meilleur ami des réseaux profonds.
#activation — Pourquoi une activation ? ReLU, sigmoid, tanh, Leaky ReLU, GELU et le gradient qui disparaît.
#descente-de-gradient — La perte est un paysage. Le gradient dit où ça monte, on fait un pas dans l'autre sens.
#rétropropagation — Le graphe de calcul rejoué à l'envers : chaque nœud reçoit ∂L/∂(lui) et la règle de la chaîne fait le reste.
#sur-apprentissage — Un gros modèle sur peu de données : la frontière de décision se tord jusqu'à mémoriser le bruit.
#cnn-filtres — Une image est une grille de nombres. Un filtre 3×3 glisse dessus, multiplie, additionne : c'est une convolution.
#is-it-einstein — Is it Einstein ? Deux visages passent au scanner d’un réseau qui n’a appris qu’Einstein : Haythem → NON, Einstein → OUI. Regarder est gratuit ; toucher est Premium.
#embeddings-3d — Un mot devient un vecteur : proches dans l'espace = proches en sens, et on peut calculer dessus.

🎯 Apprentissage supervisé

Apprendre à partir d'exemples étiquetés : régression, classification, arbres, voisins, marges et métriques honnêtes.

#entrainement-live — Six algorithmes qui apprennent sous tes yeux, comme une vidéo : REC, timecode, sous-titres, métriques en direct. Regarder est gratuit ; toucher au modèle est Premium.
#regression-lineaire — Ajuster une droite : moindres carrés, résidus, MSE, R² et descente de gradient — la première brique de tout apprentissage supervisé.
#regression-logistique — Classer en deux catégories : sigmoïde, frontière de décision, seuil et log-loss — et pourquoi une droite ne suffit pas toujours.
#arbres-de-decision — Un arbre qui découpe le plan en rectangles : Gini, entropie, profondeur, élagage — et le sur-apprentissage qu'on voit à l'œil nu.
#knn — Les k plus proches voisins : classer par ressemblance, choisir k, changer de distance — et voir la frontière se lisser ou se déchirer.
#svm-marges — Machines à vecteurs de support : la plus large marge possible, le paramètre C, et le noyau RBF qui courbe la frontière.
#metriques-classification — Précision, rappel, F1, matrice de confusion, ROC et AUC : lire honnêtement un classifieur, surtout quand les classes sont déséquilibrées.

🧩 Apprentissage non supervisé

Trouver la structure sans étiquettes : regroupement, réduction de dimension, densité et anomalies.

#k-means — Regrouper sans étiquettes : des centroïdes qui se déplacent, l'inertie qui baisse, le choix de k — et les formes où k-means échoue.
#pca — Analyse en composantes principales : trouver les axes où les données varient le plus, projeter, compresser — et mesurer ce qu'on perd.
#clustering-hierarchique — Fusionner les points deux à deux jusqu'à n'en faire qu'un : le dendrogramme, les critères de lien, et la hauteur de coupe qui décide du nombre de clusters.
#dbscan — Regrouper par densité : epsilon, MinPts, points cœur, bordure et bruit — l'algorithme qui trouve des formes quelconques et ignore les intrus.
#detection-anomalies — Repérer ce qui ne ressemble à rien : score z / Mahalanobis, Isolation Forest, LOF — trois façons de dire « ce point est bizarre ».
#t-sne-umap — Cartographier la haute dimension : t-SNE et UMAP déplient des données à 10 dimensions en une carte 2D lisible — perplexité, voisins, et pièges de lecture.

🧬 Apprentissage profond

Entraîner des réseaux profonds : optimiseurs, normalisation, séquences, autoencodeurs, transfert et modèles génératifs.

#optimiseurs — SGD, Momentum et Adam : la course vers le minimum.
#batch-normalisation — Batch normalisation : garder les activations dans la bonne plage.
#rnn-lstm — RNN et LSTM : se souvenir d'une séquence.
#autoencodeur — Autoencodeur : compresser puis reconstruire.
#transfer-learning — Apprentissage par transfert : repartir d'un réseau déjà entraîné.
#gan — GAN : un faussaire contre un inspecteur

💬 LLM et transformers

Comment un grand modèle de langage lit, pèse et génère du texte : tokens, attention, température, RAG et alignement.

#tokenisation — Tokenisation et BPE : comment un LLM découpe le texte.
#attention — Self-attention : chaque mot regarde les autres.
#transformer-bloc — Le bloc transformer : attention, résidus, normalisation, FFN.
#generation-temperature — Génération : température, top-k et top-p.
#rag — RAG : répondre en s'appuyant sur ses documents.
#alignement-rlhf — Alignement et RLHF : apprendre ce que les humains préfèrent.

🎮 Apprentissage par renforcement

Apprendre par essais et récompenses : bandits, Q-learning et politiques.

#bandit-manchot — Bandit manchot : explorer ou exploiter ?
#q-learning — Q-learning : apprendre un chemin par essais et erreurs.

🤖 IA agentique

Faire agir un LLM : boucle ReAct, appels d'outils (MCP), slash commands à la Claude Code / Cursor, mémoire, planification et orchestration multi-agents.

#boucle-agentique — Boucle ReAct d'un agent : Pensée → Action → Observation en direct.
#outils-appel — Appel d'outil (function calling / MCP) : le JSON qui fait agir le LLM.
#slash-commands — Slash commands à la Claude Code / Cursor : templates, arguments, enchaînement.
#contexte-memoire — Fenêtre de contexte et mémoire d'agent : compter, tronquer, résumer, indexer.
#planification-reflexion — Planification, réflexion et self-correction : de 60 % à 90 % de succès.
#multi-agents — Multi-agents : planner, workers, verifier. Un DAG qui bat l'agent monolithique.