f(x, y) —
‖∇f‖ —
Cliquez sur le paysage pour lancer une descente de gradient.

Mathématiques appliquées · Data science

Cyprien Henner

Ici, pas d'implémentations ultra-compétitives : des explications bout en bout, sans raccourcis ni notations abusives comme on en croise parfois sur Wikipédia. De quoi relire une méthode une seule fois et en retrouver aussitôt l'intuition.

Descente de gradient avec inertie
vt+1 = β vtinertie − η ∇f(xt)gradient
xt+1 = xt + vt+1
β = 0,93 · η = 0,008

Sans le terme d'inertie, la bille resterait bloquée dans le minimum local.

Projets 7

01 Terminé

Compression d'image avec la base de Cosinus

Compression à la JPEG via la transformée en cosinus discrète.

02 Terminé

Principal Component Analysis

Réduction de dimension implémentée from scratch, jusqu'à l'algorithme QR.

03 En cours

Projections orthogonales par descente de gradient

Approximer une projection orthogonale sans la calculer directement.

04 Terminé

Introduction à la rétropropagation

Comprendre, pas à pas, comment un réseau de neurones apprend.

05 En cours

Classification binaire via SVM

Trouver l'hyperplan séparateur optimal entre deux classes.

06 Terminé

Naive Bayes classifier

Classification bayésienne naïve, du cas discret au cas continu, avec démos interactives.

07 En cours

Flow Matching

Générer des données en apprenant un champ de vitesse continu.