🧮Visualisations NumPy 3D
Composants interactifs pour comprendre les tableaux multidimensionnels et l'optimisation
📊Visualiseur de Tableaux NumPy
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)🏔️Simulateur de Descente de Gradient
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
Le gradient ∇f pointe vers la direction de la plus forte augmentation. Pour minimiser, on va dans la direction opposée: -∇f
⚡ Learning Rate (α)
Trop petit → convergence lente. Trop grand → oscillations ou divergence. Ajustez pour trouver le bon équilibre !
⚠️ Pièges
Testez Rastrigin pour voir les minimums locaux. Le point selle montre un cas ambigu. Rosenbrock illustre les ravins étroits.
📈Visualiseur de Fonctions MathématiquesPour élèvesOuvrir la calculatrice complète →
Écrivez votre propre fonction ou utilisez les présets. Appuyez sur Entrée pour tracer !
Chargement 3D...
📐 Linéaire
f(x) = ax + b
a = pente, b = ordonnée à l'origine
🔄 Quadratique
f(x) = ax² + bx + c
Parabole, sommet = -b/2a
〰️ Sinus/Cosinus
a = amplitude
b = fréquence (période = 2π/b)
📊 Dérivée
f'(x) = pente tangente
Cliquez f'(x) pour voir
🎮 Contrôles
- Cliquer + glisser pour tourner
- Scroll pour zoomer
- Clic droit + glisser pour déplacer
- Bol: Minimum global clair
- Rosenbrock: Vallée étroite, difficile
- Rastrigin: Nombreux minimums locaux