① Les fondamentaux
🧠
Neurones (abstrait)
La brique de base : un réseau apprend à séparer des points (gauss, cercle, XOR, spirale). La carte de décision se forme en direct.
Ouvrir →
🪵
Tri de parquet (2D)
Classer des lames selon leurs nœuds. Choix des features, taille du réseau, carte de décision.
Ouvrir →
🧊
Parquet en 3D
La surface de décision et les volumes, dans un cube qu'on fait tourner.
Ouvrir →
② Cas métier (classification)
🛒
Score visiteur e-commerce
Va acheter / hésitant / va partir, à partir d'indices déjà dans ton analytics.
Ouvrir →
🚗
Triage des épaves
Revendre / démonter / casse. Le bon réflexe : features qui comptent vs leurres.
Ouvrir →
🚚
Retard de livraison
Anticiper si une tournée sera à l'heure, à risque ou en retard.
Ouvrir →
🚌
Affluence bus
Faible / normale / saturée selon l'heure et la ligne.
Ouvrir →
⏱️
Ponctualité bus
À l'heure / léger retard / gros retard, en temps réel.
Ouvrir →
③ Texte & régression — les concepts qui vendent
✉️
Tri de mails (texte)
Classer un e-mail (commande / SAV / spam) à partir de son texte. Choix du nombre de couches, mots qui ont pesé.
Ouvrir →
📦
Durée de mise en stock
Régression (jours) ou buckets. Quels paramètres comptent vraiment : importance par permutation + bruit témoin. La démo la plus utile.
Ouvrir →
④ Génération — comme un LLM
🎼
Musique générée
Le réseau prédit la prochaine note (hauteur + rythme) et reboucle : génération autorégressive, température, auto-attention, entrée MIDI, sortie lumières DMX.
Ouvrir →
🐘
Le modèle exporté
Les poids appris → code PHP / Python autonome, copiable dans un PrestaShop. « Entraîner = trouver des nombres. »
Ouvrir →