01 07Plateforme d’apprentissage de l’IA
Apprendre pour mieux jouer, et faire progresser son IA.
Des cours adaptés à votre niveau, un atelier pour construire et entraîner vos réseaux, puis une arène pour les mettre à l’épreuve. Les duels et le classement Elo donnent un objectif concret à l’apprentissage.
Découvrir le projet02 07Classification de candidats exoplanètes
Analyser les observations de Kepler, K2 et TESS.
Une application pour classer des candidats exoplanètes et examiner leurs prédictions. Le projet ouvre un axe de thèse : développer un Transformer from scratch combinant courbes de lumière, données physiques et statistiques TSFRESH.
Découvrir le projet03 07Deep Reinforcement Learning et recherche arborescente
Entraîner et comparer des agents, des grilles au Quarto.
Implémentation de DQN, Double DQN et REINFORCE, comparés à des méthodes de recherche de coups. La présentation détaille les modèles, les résultats et leurs limites, puis permet de les observer jouer ou de les affronter.
Découvrir le projet04 07Apprentissage non supervisé
Comprendre comment les modèles représentent et organisent les images.
Explorer l’espace latent : une représentation où quelques coordonnées résument une image. Avec PCA, les autoencodeurs et les VAE, les expériences et les ateliers montrent comment cet espace se construit, ce qu’il conserve et ce qui se passe lorsqu’on s’y déplace.
Découvrir le projet05 07Conception d’un RAG industrialisable
Relier documents, statistiques et géographie en langage naturel.
Un assistant pour des données non sensibles, conçu pour un déploiement en entreprise. Il combine grands modèles, recherche documentaire, calculs et cartes en limitant les informations transmises à l’API. Les choix techniques et les méthodes de vérification des résultats sont détaillés dans la présentation du projet.
Découvrir le projet06 07Méthodes tabulaires et planification
Comparer les algorithmes sur neuf environnements de jeu.
Étude de Q-learning, SARSA, Monte Carlo et Dyna-Q, avec une référence par programmation dynamique. Des grilles à Monty Hall, les expériences permettent de comparer exploration, récompenses et stratégies, puis d’entraîner un agent.
Découvrir le projet07 07Implémentation from scratch
Développer des modèles linéaires, des MLP et des réseaux RBF.
Une bibliothèque Rust accessible depuis Python, avec entraînement, prédiction et sauvegarde des modèles. La présentation explique les calculs et la rétropropagation ; un atelier permet de comparer les frontières de décision sur des données 2D.
Découvrir le projet
