MimiReady prépare votre espace
Vos données pédagogiques arrivent.
Nous assemblons votre progression, vos priorités et vos prochaines actions.
Synchronisation en cours
Contexte
Progression
Recommandations
Prochaine action
Nous assemblons votre progression, vos priorités et vos prochaines actions.
Composants interactifs pour comprendre les tableaux multidimensionnels et l'optimisation
Chargement 3D...
import numpy as np
arr = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
print(f"Shape: {arr.shape}") # (3, 4)Visualisez comment l'algorithme de descente de gradient trouve le minimum d'une fonction. Ajustez le taux d'apprentissage (α) et observez les différents comportements.
Chargement 3D...
Le gradient ∇f pointe vers la direction de la plus forte augmentation. Pour minimiser, on va dans la direction opposée: -∇f
Trop petit → convergence lente. Trop grand → oscillations ou divergence. Ajustez pour trouver le bon équilibre !
Testez Rastrigin pour voir les minimums locaux. Le point selle montre un cas ambigu. Rosenbrock illustre les ravins étroits.
Écrivez votre propre fonction ou utilisez les présets. Appuyez sur Entrée pour tracer !
Chargement 3D...
f(x) = ax + b
a = pente, b = ordonnée à l'origine
f(x) = ax² + bx + c
Parabole, sommet = -b/2a
a = amplitude
b = fréquence (période = 2π/b)
f'(x) = pente tangente
Cliquez f'(x) pour voir