Référence des fonctions

Crée un client ChromaDB pour interagir avec la base vectorielle.

Crée une collection (= table) dans ChromaDB pour stocker des embeddings.

Ajoute des documents avec leurs embeddings et métadonnées à une collection.

Recherche les documents les plus similaires à une requête.

Index FAISS basé sur la distance L2 (euclidienne) recherche exacte.

Ajoute des vecteurs à l'index FAISS.

Recherche les k voisins les plus proches d'un vecteur query.

Trace une courbe (line plot) à partir de coordonnées x, y.

Trace un nuage de points.

Crée une nouvelle figure pour le tracé.

Affiche toutes les figures ouvertes.

Crée un tableau multidimensionnel NumPy à partir d'une séquence.

Change la forme d'un tableau sans modifier ses données.

Produit scalaire ou matriciel de deux tableaux.

Calcule la moyenne des éléments d'un tableau.

Calcule l'écart-type des éléments d'un tableau.

Fixe la graine du générateur aléatoire pour des résultats reproductibles.

Structure de données tabulaire 2D avec des colonnes typées.

Lit un fichier CSV et le convertit en DataFrame.

Retourne les n premières lignes du DataFrame.

Génère des statistiques descriptives (count, mean, std, min, max, quartiles).

Regroupe les données par une ou plusieurs colonnes pour agréger.

Fusionne deux DataFrames sur des colonnes communes (comme un JOIN SQL).

Supprime des lignes ou colonnes du DataFrame.

Remplace les valeurs manquantes (NaN) par une valeur donnée.

Applique une fonction le long d'un axe du DataFrame.

Crée un tensor PyTorch à partir de données.

Couche linéaire (fully connected) : y = xW^T + b.

Fonction d'activation ReLU : max(0, x).

Conteneur séquentiel les modules sont exécutés dans l'ordre.

Fonction de perte pour la classification multi-classes (combine LogSoftmax + NLLLoss).

Optimiseur Adam combine momentum et RMSProp. Le plus utilisé en deep learning.

Descente de gradient stochastique l'optimiseur le plus simple.

Context manager qui désactive le calcul des gradients (pour l'inférence).

Itérateur qui fournit les données en mini-batches avec mélange optionnel.

Couche de convolution 2D extrait des features spatiales d'images.

Couche de max pooling 2D réduit la dimension spatiale en gardant le maximum.

Régularisation par dropout désactive aléatoirement des neurones pendant l'entraînement.

Normalisation par batch pour les données 1D stabilise et accélère l'entraînement.

Calcule les gradients par rétropropagation à partir d'un tensor de loss.

Remet tous les gradients à zéro avant un nouveau backward pass.

Met à jour les paramètres du modèle selon les gradients calculés.

Met le modèle en mode entraînement (active Dropout, BatchNorm en mode calcul).

Met le modèle en mode évaluation (désactive Dropout, BatchNorm utilise les stats calculées).

Divise les données en ensembles d'entraînement et de test.

Standardise les features en retirant la moyenne et en les divisant par l'écart-type.

Normalise les features dans un intervalle donné (par défaut [0, 1]).

Évalue un modèle par validation croisée et retourne les scores de chaque fold.

Recherche exhaustive des meilleurs hyperparamètres par validation croisée.

Classifieur basé sur un ensemble d'arbres de décision entraînés sur des sous-ensembles aléatoires.

Classifieur par boosting de gradient construit des arbres séquentiellement pour corriger les erreurs.

Support Vector Classifier trouve l'hyperplan optimal de séparation des classes.

Algorithme de clustering par k-moyennes regroupe les données en k clusters.

Analyse en Composantes Principales réduit la dimensionnalité en conservant la variance maximale.

Calcule la matrice de confusion pour évaluer la qualité d'une classification.

Génère un rapport textuel avec precision, recall, f1-score par classe.

Calcule le taux de bonnes prédictions (accuracy).

Calcule le F1-score (moyenne harmonique de precision et recall).

Charge un modèle d'embeddings de phrases pour la recherche sémantique.

Encode des phrases en vecteurs d'embeddings denses.

Charge automatiquement le tokenizer adapté à un modèle pré-entraîné.

Charge un modèle pré-entraîné avec les poids.

Interface haut niveau pour l'inférence gère le preprocessing et postprocessing automatiquement.

Charge un modèle de langage causal (GPT-like) pour la génération de texte.

Génère du texte autoregressivement à partir d'un prompt tokenisé.

Convertit du texte en une liste d'IDs de tokens.

Convertit une liste d'IDs de tokens en texte lisible.