Learning Paths

Décomposition complète de l'architecture BiLayerEdgeConv pour la reconstruction de gerbes cosmiques — du pipeline de données HAWCSim jusqu'à l'évaluation des résultats sur le détecteur SWGO.

De zéro à un chatbot fonctionnel — tokenization, Transformer, GPT, pré-entraînement, fine-tuning, RLHF, déploiement et interface complète

Un voyage complet depuis les mathématiques de base jusqu'aux frontières de l'astrophysique des particules. Comprenez comment une seule particule venue de l'espace crée une immense pluie dans l'atmosphère terrestre.

Maîtrisez les GNN — de la théorie des graphes et l'algèbre spectrale jusqu'aux architectures équivariantes et applications en physique des particules, chimie moléculaire et systèmes de recommandation.

Maîtrisez les PINNs — des équations différentielles et réseaux de neurones jusqu'aux applications en mécanique des fluides, transfert thermique et physique des particules. Apprenez à injecter la physique dans le deep learning.

Comprendre la physique des gerbes atmosphériques, les détecteurs Cherenkov à eau, et les simulations Monte Carlo — tout ce qu'un spécialiste ML doit savoir avant d'attaquer la reconstruction.

Maîtrisez PyTorch Geometric de zéro — Data objects, MessagePassing, DataLoader, modèles built-in, et déploiement. Apprenez en construisant.

Le parcours complet pour comprendre et contribuer à la recherche sur les world models et JEPA — des maths fondamentales jusqu'à LeWorldModel