#01Vidéos
L’IA expliquée en courtes vidéos
Une idée par vidéo, en langage clair. Chacune renvoie au chapitre de notre cours gratuit qui l’explique étape par étape.
Commencer ici AI 101
- #01
#02Machine learning: how a computer draws its own dividing line
#03Neural networks: layers of tiny calculators passing signals on
#04How AI learns: guess, measure the error, nudge, repeat
#05Tokens: how AI chops your words into numbered pieces
#06Embeddings: why a puppy lands closer to a dog than to a pizza
Dernières
#031Momentum: how remembering past steps stops AI training zigzagging
#030Mini-batches: why AI learns faster from a random handful of data
#029Saddle points: where AI training looks stuck but has a way down
#028Local minima: why AI training can settle for second best
#027Condition number: why a stretched valley makes AI training crawl
#026Learning rate: the step size with a ceiling you can calculate
#025Gradient descent: how AI finds its way downhill in small steps
#024Gradient: the arrow that points uphill, and why AI walks the other way
#023Chain rule: how AI traces the effect of every layer
#022Derivative: how much the result moves when you nudge one input
#021Grid search: why you cannot train an AI by trying every setting
#020Robust loss: stop one wild reading from wrecking your forecast
#019Heavy tails: when rare, huge errors break the usual average
#018Mean squared error: the hidden bet behind squaring your mistakes
#017The LogSumExp trick: one subtraction that stops AI math overflowing
#016Rounding error: why adding the same numbers can give two answers
#015Floating-point numbers: why your computer cannot hold every number
#014Negative log-likelihood: turning a fragile product into a calm sum
#013Maximum likelihood: the answer that makes your data least surprising
#012Bayes' rule: reasoning backwards from a clue to its most likely cause
#011Chain rule of probability: how AI scores a sentence word by word
#010Loss landscape: training an AI means finding the bottom of a valley
#009Loss function: the scoring rule that decides which answer wins
#008Feature engineering: the human choice that can beat the algorithm
Par chapitre du cours
- 1Le perceptron à partir de zéro : ce que calcule un neurone10 vidéos
- 2D’où vient une fonction de perte : de la vraisemblance, pas d’une convention12 vidéos
- 3En descente : gradient descent et les deux étapes que tout le monde saute12 vidéos
- 4Classification, entropie croisée et l’art de ne pas se raconter d’histoires
- 5Backpropagation de zéro : le moteur, puis le réseau1 vidéo
- 6Le faire apprendre, puis le faire généraliser
- 7Construire un tokenizer BPE : pourquoi votre modèle ne compte pas les « r »1 vidéo
- 8Prédiction du token suivant : embeddings et sens de la perplexité1 vidéo
- 9Attention et bloc transformer, dérivés d’une moyenne
- 10Pré-entraîner un LLM : données, calcul, scaling laws et coût
- 11Du modèle de base à l’assistant : SFT, RLHF, DPO et GRPO
- 12Chain of Thought, RLVR et test-time compute, mesurés
- 13Rendre l’inférence moins chère : KV cache, batching et quantification
- 14Votre premier appel LLM en production : streaming, retries, timeouts
- 15Prompt engineering, mesuré : ce qui change la sortie
- 16Context window, tokens et facture : les chiffres
- 17Température, top-p et le déterminisme que vous n’avez pas
- 18Tool calling et sorties structurées : le contrat qui tient
- 19RAG en production : chunking, retrieval et citations honnêtes
- 20Fine-tuning, retrieval ou prompt ? La décision est économique
- 21Tarification multimodale : ce que facturent vraiment images, audio et vidéo
- 22Qu’est-ce qu’un agent IA : cinq types classiques, deux définitions rivales
- 23Construire un agent harness : la boucle et ses cinq issues
- 24Context Engineering : pourquoi votre agent devient moins fiable au tour 40
- 25Orchestration multi-agent : cinq schémas, et quand l’un l’emporte
- 26MCP expliqué à partir de la spec : ce qu’est vraiment un serveur
- 27Livrer un serveur MCP : TypeScript et Python, mesurés
- 28Agent Skills et SKILL.md : la divulgation progressive, mesurée
- 29Évaluer les LLM : des benchmarks publics à votre golden set
- 30Prompt Injection et trifecta létal : sécuriser un vrai agent