L’époque tourne sur des machines qui apprennent, et pourtant l’apprentissage lui-même reste caché derrière une API. Le voici à découvert, chaque étape à l’écran et s’exécutant entièrement dans votre navigateur : un réseau de neurones traçant une frontière de décision en temps réel, un agent tombant par hasard sur une récompense, l’attention décidant quel mot regarder, le bruit se résolvant en structure sous un modèle de diffusion. Pas de cloud, pas de clés — juste des gradients, des politiques et des probabilités, dessinés à mesure qu’ils se produisent.
Watch real t-SNE run live: a random fog of high-dimensional points pulls itself apart frame by frame, gradient-descending the KL divergence until clean, separated clusters bloom — Gaussian blobs, interlocking rings, baked digits, concentric shells.
Watch real Principal Component Analysis fold a high-dimensional cloud — a tilted 3D Gaussian, the classic Iris flowers, a Swiss-roll, clustered digits — onto its principal axes, points sliding into place while the explained-variance bars fill.
Train a real multinomial Naive Bayes spam filter in your browser, then type a message and watch each word tug the verdict toward spam or ham — with the log-odds math drawn live, word by word.
Watch a population of genomes evolve over generations — selection, crossover and mutation — as a recognizable image rises from noise, rockets thread an obstacle, a phrase assembles itself, or a swarm climbs a rugged fitness landscape.
Watch a real optimizer descend a 3D loss surface — switch between SGD, Momentum, RMSProp and Adam, then crank the learning rate until it visibly diverges.
Drop labelled points on a plane and watch four real classifiers — k-NN, logistic regression, a live-trained neural net, and an RBF kernel — carve the space into coloured decision regions before your eyes.
Slide a 3×3 convolution kernel across a procedurally drawn image and watch the feature map light up — switch between blur, sharpen, Sobel edges, emboss and a Laplacian, or hand-craft your own kernel and chain a second layer.
Hunt the maximum of an expensive, hidden function in as few samples as possible — a Gaussian-process surrogate fits the points so far, draws its mean and a ±2σ uncertainty band, and an acquisition function picks the next, smartest place to look.
Train a real neural autoencoder live: tiny glyphs are squeezed through a 2-D bottleneck and rebuilt by a decoder, the reconstructions sharpening epoch by epoch while a latent map blooms into class clusters — then click anywhere in that latent plane to watch the decoder dream a new glyph into being.
Un treillis de Kohonen qui se froisse, s’étire et se drape sur n’importe quelle distribution de données — la découverte de topologie rendue visible.
Observez un agent d’apprentissage par renforcement tabulaire bâtir de zéro une politique de navigation — trébuchant dans les pièges, découvrant la récompense et gravant des flèches optimales dans chaque case de la grille.
Observez le neurone de Rosenblatt de 1958 tracer une ligne de décision à travers vos données, une correction à la fois.
Observez un réseau de neurones fait maison courber sa frontière de décision en temps réel à mesure qu’il apprend à séparer des nuages de points 2D par rétropropagation.
L’ancêtre de GPT — prédisez le prochain jeton à partir des quelques précédents et regardez la cohérence émerger à mesure que l’ordre augmente.
Observez l’algorithme de Lloyd découper un nuage de points en territoires de Voronoï vivants, tandis que les centroïdes traquent leurs grappes en temps réel.
Observez un motif bruité ou à demi effacé se rétablir vers une mémoire stockée, tandis qu’un réseau de neurones dévale la pente jusque dans un attracteur.
Cinq optimiseurs à base de gradient dévalent simultanément le même paysage de perte, révélant pourquoi Adam domine le SGD classique en vitesse, en stabilité et en sortie des points-selles.
Parcourez un espace sémantique fait main où roi − homme + femme tombe exactement sur reine, et où des grappes de sens éclosent en couleurs néon.
Observez un classifieur CART découper vos données 2D en régions alignées sur les axes — une division maximisant l’information à la fois.
Regardez ε-greedy, UCB1 et l’échantillonnage de Thompson rivaliser pour trouver le meilleur bras de la machine à sous — le regret cumulé tracé en direct à mesure que les algorithmes explorent et exploitent.
Observez un transformeur décider ce qu’il doit regarder — softmax(QKᵀ/√d) rendu tangible par des cartes de chaleur en direct et des flux d’attention bipartites.