DeepLearn
Machine learning Expérimentation Pédagogie
Apprendre. Jouer. Progresser.
Des cours adaptés à votre niveau, des modèles à expérimenter. Apprendre pour mieux jouer, et faire grandir votre IA.
Apprendre l’IA. Passer à l’action.
Apprendre l’IA ne devrait pas s’arrêter à la théorie. DeepLearn relie des cours adaptés à votre niveau, des modèles à expérimenter et des défis pour mettre vos connaissances à l’épreuve.
À qui s’adresse DeepLearn
La plateforme accompagne les étudiants, les développeurs et les curieux de recherche, des premiers réseaux aux architectures avancées. Chacun avance à son niveau, avec un terrain concret pour pratiquer.
APPRENDRE POUR DEVENIR MEILLEUR
- 01Apprendre
Cours adaptés à ses acquis
- 02Entraîner
Transformer une idée en agent
- 03Jouer
Mettre sa politique à l’épreuve
- 04Comprendre
Revenir avec une nouvelle question
Chaque défi donne une raison de retourner apprendre
Le jeu donne un but. Le cours donne les moyens.
Comprendre un réseau pour créer un meilleur combattant : le jeu donne une raison de continuer. Vous apprenez, entraînez votre agent et observez ses limites dans l’arène. Chaque duel vous ramène au cours avec une question concrète.
Deux progressions qui se complètent
Les cours, l’XP et les séries d’activité suivent votre apprentissage. L’Elo reflète les résultats de votre combattant. Mieux comprendre vous aide à améliorer sa stratégie ; les duels montrent ce qu’il reste à travailler.
D’abord, faisons connaissance.
À la création du compte, vous indiquez votre niveau, votre objectif, vos centres d’intérêt et le temps disponible. Ces premières réponses donnent une direction à votre apprentissage.
Le contexte avant la mesure
Le questionnaire en six étapes constitue votre profil. Le diagnostic qui suit confronte ensuite ce niveau déclaré à des questions concrètes, pour adapter les cours à vos acquis réels.
DE LA PERCEPTION À L’OBSERVATION
Acquis confirmés · prérequis à reprendre
Ce que vous pensez savoir. Ce que vous maîtrisez.
Après une auto-évaluation en mathématiques, programmation et concepts du domaine, un QCM adaptatif précise vos acquis. Il fait ressortir vos forces, les prérequis fragiles et les écarts entre théorie et pratique.
Maîtrise et confiance, concept par concept
Le diagnostic croise 30 items déclaratifs avec des réponses pondérées au QCM. Des questions supplémentaires lèvent les incertitudes. Plus les preuves s’accumulent, plus elles pèsent dans le profil : c = n / (n + 2).
UNE PROGRESSION À PARTIR DU PROFIL
- Vos acquisCe que le diagnostic confirme
- Les prérequis utilesCe qui manque pour votre objectif
- Le cours adaptéExplications, code et exercices
- La mise en pratiqueSandbox, entraînement et jeu
Itinéraire automatique : intégration en cours de finalisation.
Parcours automatique · en cours de finalisation
Savoir d’où partir. Et quoi apprendre ensuite.
À partir de votre niveau et de votre objectif, DeepLearn créera un parcours automatique : les prérequis utiles, les notions à approfondir, puis la pratique. Vous saurez quoi apprendre ensuite, en tenant compte de ce que vous maîtrisez déjà.
Du profil à un itinéraire explicable
Le profil par concept, le graphe de prérequis et la personnalisation des cours existent déjà. Leur orchestration reste à finaliser pour relier automatiquement le diagnostic, l’ordre des cours et les étapes de pratique.
Des fondamentaux aux architectures avancées.
Explorez MLP, CNN, LSTM, ResNet, Transformer et GAN par thème ou difficulté. Chaque architecture se découvre à travers ses intuitions, ses mathématiques et son code. Votre progression est enregistrée pour reprendre là où vous en étiez.
Plusieurs portes d’entrée dans une même notion
Les leçons associent explications, schémas et exemples de code. Les cours personnalisés ajoutent exercices et QCM pour vérifier la compréhension, avant de manipuler le modèle dans le sandbox.
PLANIFIER AVANT DE RÉDIGER
Concepts · remédiations · exercices
Raffinement du plan → validation → repli déterministe si nécessaire
Un même sujet. Un cours différent pour vous.
Comprendre DQN ou apprendre à l’implémenter ne demande pas le même cours. Vous choisissez une intention ; DeepLearn la croise avec vos acquis pour ajuster les rappels, la profondeur et l’accompagnement du code.
La recherche au cœur de la planification
Une CoursePolicy transforme profil et intention en règles pédagogiques. Sept signaux priorisent les lacunes dans le graphe de prérequis. Un plan déterministe protège les notions indispensables et encadre son raffinement par le modèle de langage.
TROUVER LES PASSAGES UTILES
Des sources aux explications. Puis à la mise en pratique.
Le plan devient un cours documenté, avec des explications, du code et des exercices adaptés à votre objectif. Chaque section s’appuie sur des sources ciblées pour relier les idées à leur mise en pratique.
Un RAG piloté par un contrat pédagogique
La recherche combine BM25 et vecteurs, fusionne leurs résultats par RRF, puis reclasse les passages utiles. Le modèle rédige section par section ; des validateurs vérifient la structure MDX et la présence des éléments pédagogiques attendus.
Remonter aux idées qui ont changé l’IA.
Pour aller plus loin, explorez les travaux qui ont fait évoluer l’IA. Les fiches de lecture éclairent l’intuition derrière une architecture ou une méthode, puis vous invitent à consulter l’article original.
Des publications rendues explorables
Les publications sont organisées par auteurs, année et thème. La recherche et les filtres permettent de retrouver les références liées aux notions étudiées dans les cours.
Construire. Tester. Voir ce qui change.
Assemblez les couches d’un réseau, réglez ses paramètres et lancez l’entraînement. Les courbes vous permettent de tester vos hypothèses sur des images, un pendule ou un combattant, puis d’ajuster le modèle.
Du graphe visuel au modèle exécutable
L’éditeur React Flow produit une configuration JSON des couches et hyperparamètres. Les métriques suivent l’entraînement ; TensorFlow.js permet ensuite de tester le modèle dans le navigateur, sur les tâches MNIST, Fashion-MNIST, CIFAR-10, CartPole ou Fighter.
TROIS FAÇONS DE FAIRE APPRENDRE UN AGENT
Un état du jeu, une action montrée par un bot : le réseau apprend cette association.
Les retours des combats orientent le gradient de la politique.
Une copie gelée renouvelle le défi et fait évoluer les situations rencontrées.
Évaluer les victoires, les dégâts, les chutes et la diversité des actions.
Votre réseau apprend à prendre des décisions.
Votre combattant apprend une stratégie : d’abord en imitant des bots, puis grâce aux récompenses, ou en affrontant ses propres copies. Vous choisissez le mode d’entraînement et observez les comportements qui émergent.
Imitation, REINFORCE, self-play
Après l’amorçage par imitation, REINFORCE ajuste la politique selon les récompenses du combat. Le self-play ajoute un adversaire gelé, renouvelé périodiquement. Victoires, dégâts, chutes et entropie révèlent les forces et les limites de la stratégie.
Le combattant joue. Vous comprenez ses choix.
Testez votre agent au dojo, défiez un adversaire ou lancez une partie classée. Ses déplacements, ses attaques et ses erreurs vous montrent ce qu’il faudra améliorer au prochain entraînement.
Un moteur de jeu, une politique apprise
Le moteur fournit 30 valeurs d’observation et 10 actions possibles. TensorFlow.js choisit l’action par argmax à partir du réseau déjà entraîné. À agents et graine identiques, le duel est reproductible ; les poids restent fixes pendant le combat.
SITUER LE MODÈLE, PUIS PROGRESSER
S : résultat du match · E : score attendu
K : sensibilité selon l’expérience du combattant
- Bronze
- Argent
- Or
- Platine
- Diamant
- Maître
Adversaire proche en Elo → duel → analyse → nouvel entraînement.
Un adversaire à votre portée. Un nouveau cap à franchir.
L’Elo situe votre combattant face aux autres : une victoire inattendue compte davantage. Son rang et son historique donnent un objectif au prochain entraînement, qu’il s’agisse de mieux défendre ou de varier sa stratégie.
Elo adaptatif et matchmaking pondéré
Le matchmaking privilégie les Elo proches et élargit la recherche si nécessaire. Le classement évolue selon l’écart entre résultat et score attendu, avec un facteur K adapté à l’expérience du combattant.
Apprenez. Jouez. Progressez.
Un cours pour comprendre, un sandbox pour expérimenter, une arène pour se dépasser. Découvrez DeepLearn et donnez un terrain de jeu à vos prochaines idées.
Découvrir DeepLearn