Texte & documents
Encodeur/DécodeurURL, Base64, HTML
Convertisseur de textecamelCase, snake_case...
Diff de texteComparez deux textes
LaTeXPrévisualisez des formules mathématiques
MarkdownPrévisualisation en temps réel
MermaidDiagrammes sous forme de code
DiagrammesÉditeur visuel type Visio, import Mermaid
Échappement de chaînesJS, JSON, SQL, Regex, HTML, URL
Unicode / ASCIIInformations sur les caractères
Nombres & calcul
CalculatriceExpressions, feuille de calcul et graphiques
StatistiquesCalculatrice, distributions, simulateurs
Simulateur de physiquePendule, énergie, intégrateurs
Convertisseur de basesBase 2 à 64
Système d'unitésbits, octets, SI, IEC
Sous-réseau / CIDRCalculatrice réseau
Timestamp et datesUnix, fuseaux horaires, formats
Calculatrice de datesJours entre deux dates, âge exact, jour de la semaine
Données & formats
Convertisseur de formatsJSON, YAML, Properties, ENV, CSV
JSON FormatterFormate et valide le JSON
Regex TesterExpressions régulières
Diff JSONComparer deux JSON structurellement
Formateur de codeSQL, CSS, HTML, JavaScript
DB StudioBase de données Postgres visuelle dans le navigateur
SQL LabValide, exécute et optimise du SQL avec un vrai Postgres
Visionneuse de fichiers géantsOuvrir d'énormes CSV/logs sans les charger
ETL visuel en fluxTransformer les données en chaînant des nœuds
Analyseur de logsComprenez un log : traces, motifs et réduction pour l'IA
Graphe de connaissancesRDF, SPARQL et ontologies
Atomes et chimieTableau périodique, orbitales et couche de valence
Sécurité
Anonymiseur de texteMasque les PII et les secrets (réversible)
JWT InspectorDécode les tokens JWT
Flux d'authentificationBasic, JWT et OAuth2 pas à pas
Générateur de hachagesSHA-256, SHA-384, SHA-512
Générateur de mots de passe et d'UUIDMots de passe et UUID
Texte caché (rayons X)Invisibles, instructions cachées et fausses lettres
Auditeur de fichiers d'agentCLAUDE.md, skills, MCP, hooks et permissions
Puis-je coller ceci ?Secrets et cookies dans un texte, un log ou un HAR avant de le partager
Auditeur GitHub ActionsInjection de commandes, pull_request_target non sécurisé, actions non épinglées
Auditeur d'en-têtes et CSPCSP, HSTS, cookies (Secure/HttpOnly/SameSite) à partir d'un curl -I collé
Portée réseau dans KubernetesLe pod A atteint-il le pod B ? NetworkPolicy, ports et références rompues
Auditeur de catalogues MCPCoût en contexte, annotations, conformité avec le registre officiel
Laboratoire d'accèsIdentité, RBAC et gouvernance — neutre et multi-cloud
Décodeur et auditeur SAMLSignature, expiration, audience et l'attaque XML Signature Wrapping
Auditeur d'en-têtes de courriel et DMARCSPF, DKIM, DMARC — à partir des en-têtes d'un courriel ou des enregistrements DNS
Laboratoire de canal auxiliaireAttaquez un secret par timing et une clé par analyse de puissance
Laboratoire de flux d'authentificationAttaquez un vrai JWT (alg=none, confusion RS256→HS256) sur un canevas interactif
Défense en profondeurLes 7 couches de sécurité, et ce que Jarroba couvre déjà avec une attaque réelle
Développement & DevOps
CronGénérateur et validateur
Docker → ComposeConvertir docker run en Compose
Skaffold multi-configGraphe de dépendances et validation des requires
Linux : permissions et utilisateurschmod, chown, useradd et groupes
URLAnalysez et construisez des URL
Données aléatoiresNoms, e-mails, IP, UUID…
ÉlectroniqueSimulateur de circuits : DC, transitoire, AC, MOSFET et breadboard
Du transistor à la puceDe la marge de bruit d'une cellule à l'horloge : SRAM, lecture, chute IR, cellule standard et setup/hold
Portes logiquesSimulateur de portes AND, OR, NOT et plus
Simulateur d'architecturesSchématise CI/CD, cloud, IA/MCP et simule la charge
Simulateur quantiqueQubits, portes, superposition et intrication
HammingDétection d'erreurs
Config Nginx/Apache SPAGénérez une configuration pour servir une SPA
SemverPlages de versions sémantiques
CORS ExplainerAnalysez les en-têtes CORS de votre serveur
Atelier d'APIEnvoyez des requêtes, convertissez des collections et comparez des versions
Inspecteur de certificatAnalysez des certificats X.509 au format PEM
Rate LimiterSimulez Token Bucket et Fixed Window
Simulateur d'assembleurISA MIPS simplifiée · pas à pas · registres & mémoire
Systèmes d'exploitationOrdonnancement et remplacement de pages, pas à pas et avec sources
AutomatesD'une expression régulière à l'AFN, l'AFD et l'AFD minimal, et CYK, pas à pas
Laboratorio de capturasCapturas de red (.pcap) explicadas: TCP, DNS y HTTP, paquete a paquete
Forge de ContexteEmpaquette et blinde ton projet pour l'IA
Terminal visuelClique et il te donne la commande : Linux, macOS, PowerShell
Atelier de projetSimule ton Makefile : ce qu'il reconstruit et pourquoi
Radiographie de projetCe que Spring fera de votre code, et quelles dépendances sont obsolètes
Spring DoctorInjection par champ, et le reste des conventions Spring Boot, fichier par fichier
Auditeur de testsDe ces tests au vert, lesquels ne peuvent pas échouer ?
Auditeur de manuscritsQuels chiffres de votre article ou de votre mémoire ne collent pas
Intelligence artificielle
Coûts LLMSimulez la dépense mensuelle
Vigencia de prácticasQué sigue valiendo y qué se superó
AgentsSpécification, permissions, vérification et évals
Caméra avec IA localeDétecte des objets et alerte, sans rien téléverser
Transcription vocale localeDe l'audio au texte sans le téléverser, et mesure l'erreur
Ce texte dit-il quelque chose ?Combien on peut jeter sans perdre une seule idée
EmbeddingsSimilarité, carte 2D et RAG
IA localeChat, résumé, traduction et sentiment dans le navigateur
TokeniseurVisualisez les tokens, comparez les modèles, estimez les coûts
Probabilités pour l'IADistributions, softmax, Bayes et entropie
Descente de gradientSGD, Momentum, RMSProp, Adam
Réseau de neuronesEntraîne un MLP et regarde la frontière se former
Mini-LLMEntraîne un modèle de langage avec ton texte
Réducteur de dimensionnalitéPCA, t-SNE et UMAP en direct
Matrice de confusion & ROCSeuil, précision/rappel, ROC/AUC, PR
Clustering (k-means, DBSCAN)Découvre des groupes sans étiquettes
Visualiseur d'attentionCe que regarde chaque mot dans un transformer
Convolution et filtres CNNFiltres d'image et cartes de caractéristiques
Arbre de décisionRégions de décision + l'arbre
DiffusionLe bruit derrière Stable Diffusion
Régression et MLEMoindres carrés, surapprentissage, ridge
Chaînes de MarkovÉtats, distribution stationnaire et texte
Test d'hypothèsep-valeurs, test t, χ², ANOVA et puissance
OCR — Image vers texteExtrait le texte des images, 100 % en local
Finances
InflationIPC officiel, pouvoir d'achat et épargne en euros d'aujourd'hui
Simulateur d'économieEntreprises, prix, monopoles et ressources limitées
Prêt immobilier / prêtMensualité, TAEG réel de chaque offre et remboursement anticipé
Partager les dépensesQui doit combien à qui
Auto-entrepreneur (Espagne)Cotisations, IRPF, TVA et combien mettre de côté
Santé et bien-être
IMC et santéIMC, poids idéal, MB et cycles de sommeil
Productivité
PomodoroTechnique de travail par blocs de temps
ChronomètreAvec tours, étapes et historique
Jeux et divertissement
DésDés 3D de 2 à 9 999 faces, avec projection
Tableau des scoresPoints par joueur avec chronomètre de partie
Tirage au sort / rouletteChoisissez un élément aléatoire dans une liste
Générateur de nomsInventés avec une chaîne de Markov, issus de 8 traditions
TournoiLigues, groupes, éliminatoires et système suisse, avec classement
Multimédia & design
Couleur HEX/RGB/HSLHEX, RGB, HSL, OKLCH et échelles
Code QRCréer et lire · WiFi, contact, URL
ImagesRedimensionner, convertir et compresser
Outils PDFFusionner, extraire, pivoter, images vers PDF
GraphiquesVisualisez des données avec des graphiques
Contraste WCAGAA/AAA et la couleur qui passe
Auditeur de feuilles de calculRecalcule et compare avec ce qui est enregistré
Entreprise
Coût des réunionsCombien coûte réellement chaque réunion ?
SLA / UptimeTemps d'arrêt autorisé, budget d'erreurs et alertes
Burn rate / RunwayRunway, default alive et seuil de rentabilité
Test A/BAnalysez, planifiez et ne vous voilez pas la face en regardant avant
DORA MetricsVotre équipe selon chaque rapport DORA, 2019–2025
UTM BuilderLiens UTM avec leur canal GA4 prévu
Espaces et ressourcesTables, baies, lits ou postes : répartis-les et vois s'ils tiennent
Guide d'utilisation
Ce que c'est et à quoi ça sert

La régression cherche la courbe qui passe le mieux à travers un nuage de points, pour pouvoir prédire la valeur y à partir d'un x. Chaque point est une observation (par exemple, heures d'étude → note) ; la courbe ajustée résume la tendance et vous permet d'estimer le y d'un x que vous n'aviez pas mesuré. Vous le voyez ici en direct : déplacez les points et la courbe, l'erreur et le R² se recalculent instantanément, tout dans votre navigateur.

Comment l'utiliser (étape par étape)

1. Faites glisser n'importe quel point pour le déplacer ; la courbe se réajuste quand vous relâchez.
2. Cliquez dans un espace vide du graphique pour ajouter un nouveau point.
3. Déplacez le contrôle Degré pour passer d'une droite à une courbe, et Régularisation λ pour la lisser.
4. Lisez en bas le MSE et le R² de l'ajustement.
5. Boutons : Retirer le dernier efface le dernier point, Vider les efface tous et Réinitialiser revient à l'exemple initial (10 points, degré 1, λ 0).

Régression linéaire (la droite)

Avec le Degré 1, l'ajustement est une droite y = a·x + b : la régression linéaire classique. C'est le modèle le plus simple et robuste : il capte la tendance générale (si y monte ou descend quand x augmente, et avec quelle pente) sans se laisser emporter par le bruit de chaque point. Commencez toujours par là ; n'augmentez le degré que si la droite ne suit clairement pas la forme des données.

Moindres carrés (comment l'ajustement se fait)

La courbe est choisie par moindres carrés : on cherche celle qui rend minimale la somme des erreurs au carré entre chaque point et la courbe (les résidus). On les élève au carré pour que les erreurs par excès et par défaut ne s'annulent pas et pour pénaliser davantage les grandes erreurs. En interne, un système linéaire exact est résolu (équations normales), pas par tâtonnement. Minimiser cette erreur équivaut au maximum de vraisemblance (MLE) si l'on suppose que le bruit des données est gaussien.

Degré du polynôme et surapprentissage

Le Degré (de 1 à 7) est le nombre de courbures que peut prendre le polynôme : degré 1 = droite, 2 = parabole, et plus le degré est élevé, plus il y a d'ondulations. Un degré élevé réduit l'erreur sur ces points mais empire généralement : surapprentissage (overfitting), c'est-à-dire qu'il passe presque par tous les points en poursuivant le bruit puis généralise mal à de nouvelles données. C'est l'équilibre biais-variance : trop simple ne capte pas la forme, trop complexe mémorise le bruit. Choisissez le degré le plus bas qui suit la tendance.

Résidus, MSE et R²

Les lignes grises verticales sont les résidus : la distance de chaque point à la courbe, c'est-à-dire l'erreur que commet le modèle à ce point.

• MSE (loss) — erreur quadratique moyenne : la moyenne de ces résidus au carré. Plus bas = meilleur ajustement ; c'est exactement ce que minimise l'ajustement.
• R² — coefficient de détermination : quelle fraction de la variation de y le modèle explique. Va de 0 à 1 : 1 = la courbe passe par tous les points, 0 = n'améliore pas la prédiction de la moyenne (et peut être négatif si l'ajustement est pire que la moyenne elle-même).

Erreur avec des données non vues

Le MSE mesure à quel point la courbe apprend ses propres points, et avec un degré plus élevé, il baisse toujours. L'erreur avec des données non vues mesure ce qui compte : à quel point elle devine un nouveau point. Elle se calcule en laissant chaque point de côté, en ajustant sans lui et en voyant à quel point la prédiction se trompe pour lui (validation croisée « leave-one-out »). Avec les données d'exemple : degré 1 → 0,36 ; degré 7 → 25,7, même si son MSE est plus bas. Quand l'un baisse et l'autre monte, c'est du surapprentissage ; augmente λ et tu verras comment ça le freine.

L'équation et la prédiction

En haut à droite se trouve l'équation de la courbe ajustée : avec un degré 1, y = a·x + b. Ces coefficients sont tout ce que le modèle a appris à partir des points ; entraîner, c'est les chercher, et c'est pourquoi ils changent pendant que tu fais glisser.

Le contrôle Prédire en x consiste à utiliser le modèle : choisis un x et lis le y que donne la courbe (le point vert). Si tu l'emmènes en dehors de la plage des données, tu es en train d'extrapoler : avec un degré 1, la droite reste raisonnable ; avec un degré 7, la courbe s'envole sur les bords, et c'est la façon la plus directe de voir pourquoi un modèle qui s'ajuste à merveille à ses données peut prédire terriblement mal.

Régularisation λ (ridge = MAP)

La Régularisation λ (de 0 à 10) combat le surapprentissage sans réduire le degré : elle pénalise les poids élevés du polynôme (ridge), ce qui lisse la courbe et la rend moins sensible au bruit. Avec λ = 0, c'est le moindres carrés pur ; en augmentant λ, la courbe s'aplatit et tend vers une droite. Cela équivaut à ajouter un prior gaussien sur les poids : en termes bayésiens, on passe du MLE au MAP. La pénalisation n'affecte pas le terme indépendant (ordonnée à l'origine).

Régression et MLEMoindres carrés, surapprentissage, ridge
Régression et MLEAjustement par moindres carrés, surapprentissage et régularisation (ridge = MAP)
02468100246810xy

Passe le curseur sur le graphique pour lire ses coordonnées.Touche le graphique ou un point pour lire ses coordonnées.

Fais glisser les points. Clique dans un espace vide pour ajouter un point. Les lignes grises sont les résidus (l'erreur de chaque point).

Pour déplacer la vue, fais glisser avec le bouton droit ou la molette enfoncée (sur un écran tactile, maintiens appuyé et fais glisser). La molette permet de zoomer et dézoomer.

Fais glisser les points. Un tap sur un espace vide ajoute un point. Les lignes grises sont les résidus (l'erreur de chaque point).

Pour déplacer la vue, maintiens appuyé un instant et fais glisser. Les boutons du haut permettent de zoomer, dézoomer et cadrer.

y = 0,687·x + 1,658

Degré
1
Régularisation λ
0
Prédire en x
5
Prédictionx = 5 → y = 5,094
MSE (loss)0,236
R²0,942
Erreur avec des données non vues0,363

Minimiser le MSE = maximum de vraisemblance avec bruit gaussien (MLE). Augmenter le degré surajuste les données bruitées ; λ (ridge) équivaut à un prior gaussien sur les poids → MAP. C'est l'équilibre biais-variance.