Guides Python exécutables

Concepts d'IA en Python

Découvrez comment fonctionnent les réseaux de neurones, l'apprentissage automatique, les Transformers et l'IA classique grâce à de courtes leçons Python exécutables, sans bibliothèque d'IA.

Exécuter Concepts d'IA en Python en ligne

14 exemples exécutables

Neurones et fonctions d'activation en Python

Construisez un neurone artificiel en Python pur : une somme pondérée des entrées plus un biais, passée par sigmoid ou ReLU.

Voir l’exemple →

Propagation avant et fonctions de perte en Python

Faites passer des entrées couche par couche dans un petit réseau de neurones, puis mesurez l'erreur avec l'erreur quadratique et l'entropie croisée.

Voir l’exemple →

Descente de gradient et rétropropagation en Python

Entraînez un neurone par descente de gradient : utilisez la règle de dérivation en chaîne pour savoir comment chaque poids influence la perte, puis descendez la pente.

Voir l’exemple →

Optimiseurs de réseaux de neurones : SGD, Momentum et Adam en Python

Comparez la descente de gradient simple, le momentum et Adam en minimisant pas à pas la même fonction.

Voir l’exemple →

Préparation des données pour l'apprentissage automatique en Python

Mettez les variables à l'échelle avec la normalisation min-max et la standardisation par score z, et multipliez des matrices à la main.

Voir l’exemple →

Régression linéaire et logistique en Python

Ajustez une droite par les moindres carrés, puis transformez un score en probabilité avec la régression logistique.

Voir l’exemple →

Bases de la classification : softmax et k plus proches voisins en Python

Transformez des scores en probabilités de classes avec softmax, évaluez-les avec l'entropie croisée et classez des points avec les k plus proches voisins.

Voir l’exemple →

Similarité cosinus et clustering k-means en Python

Mesurez la ressemblance de deux vecteurs avec la similarité cosinus et regroupez des données non étiquetées avec k-means.

Voir l’exemple →

Tokenisation : vocabulaire, one-hot et byte pair encoding en Python

Transformez du texte en nombres comme le font les modèles de langage : construisez un vocabulaire, encodez les mots en one-hot et apprenez des sous-mots avec BPE.

Voir l’exemple →

Attention et self-attention en Python

Calculez à la main la scaled dot-product attention avec des requêtes, des clés et des valeurs, puis ajoutez un masque causal comme GPT.

Voir l’exemple →

Comment les modèles de langage génèrent du texte : température et top-k en Python

Voyez comment un modèle de langage choisit le token suivant : layer normalization, température et échantillonnage top-k en Python pur.

Voir l’exemple →

Recherche et IA de jeu : A* et minimax en Python

Trouvez le plus court chemin sur une grille avec la recherche A* et choisissez le meilleur coup d'une partie avec minimax.

Voir l’exemple →

Chaînes de Markov et compromis exploration-exploitation en Python

Prédisez les états futurs avec une chaîne de Markov et équilibrez exploration et exploitation avec un bandit epsilon-greedy.

Voir l’exemple →

Apprentissage par renforcement : value iteration et Q-learning en Python

Apprenez à un agent à atteindre un but : calculez les valeurs des états par value iteration, puis apprenez-les par essais et erreurs avec le Q-learning.

Voir l’exemple →