Sélection de projets d’intelligence artificielle, d’expérimentations et de systèmes concrets.
Voir tous les projets
Plateforme d’apprentissage de l’IA
Des cours adaptés à votre niveau, un atelier pour construire et entraîner vos réseaux, puis une arène pour les mettre à l’épreuve. Les duels et le classement Elo donnent un objectif concret à l’apprentissage.
Classification de candidats exoplanètes
Une application pour classer des candidats exoplanètes et examiner leurs prédictions. Le projet ouvre un axe de thèse : développer un Transformer from scratch combinant courbes de lumière, données physiques et statistiques TSFRESH.
Deep Reinforcement Learning et recherche arborescente
Implémentation de DQN, Double DQN et REINFORCE, comparés à des méthodes de recherche de coups. La présentation détaille les modèles, les résultats et leurs limites, puis permet de les observer jouer ou de les affronter.
Apprentissage non supervisé
Explorer l’espace latent : une représentation où quelques coordonnées résument une image. Avec PCA, les autoencodeurs et les VAE, les expériences et les ateliers montrent comment cet espace se construit, ce qu’il conserve et ce qui se passe lorsqu’on s’y déplace.
Conception d’un RAG industrialisable
Un assistant pour des données non sensibles, conçu pour un déploiement en entreprise. Il combine grands modèles, recherche documentaire, calculs et cartes en limitant les informations transmises à l’API. Les choix techniques et les méthodes de vérification des résultats sont détaillés dans la présentation du projet.
Méthodes tabulaires et planification
Étude de Q-learning, SARSA, Monte Carlo et Dyna-Q, avec une référence par programmation dynamique. Des grilles à Monty Hall, les expériences permettent de comparer exploration, récompenses et stratégies, puis d’entraîner un agent.
Implémentation from scratch
Une bibliothèque Rust accessible depuis Python, avec entraînement, prédiction et sauvegarde des modèles. La présentation explique les calculs et la rétropropagation ; un atelier permet de comparer les frontières de décision sur des données 2D.
DeepLearn — 1 sur 7
Projet de recherche actuel
Étudier comment des connaissances explicites peuvent rendre la prédiction plus frugale et généralisable, tout en apprenant quand leur faire confiance.
Cette section est dédiée à mon sujet de recherche actuel et à l’évolution de mes travaux. Je documente ici mes idées, expérimentations et réflexions, qui façonnent progressivement ma compréhension du sujet.
Explorer la rechercheDernières avancées
Carnet ouvert — mis à jour au fil des essais.
Idées, méthodes, analyses et retours d’expérience.
Explorer le blog
Cours visuel
Des mots aux vecteurs, de l’attention à la prédiction : un cours à explorer et à manipuler.
À venir
À venir
À venir
À venir
À venir
Comprendre les Transformers — 1 sur 6
De la pratique à la recherche, la curiosité comme fil conducteur.
En savoir plusEvan Greven — comprendre pour construire.
Data Scientist et ML Engineer, je pars de problèmes concrets pour comprendre comment les modèles apprennent, se généralisent et rencontrent leurs limites. J’aime expérimenter, revenir aux fondements et rendre ces idées accessibles à travers mes projets.
Bagneux, France
Un projet, une question ou simplement l’envie d’échanger ?
Écrivons ensemble.