wandb · ngrayluna · Aug 17, 2026 · Aug 24, 2026 · Aug 26, 2026 · Aug 26, 2026
@@ -66,7 +66,7 @@ Une fois la requête en place, vous pouvez associer vos colonnes enregistrées a
 La visualisation par défaut constitue un bon point de départ, mais vous pouvez modifier la spécification Vega pour changer le type de graphique, ajouter des titres et affiner l’apparence. Pour passer d’un nuage de points à un graphique en courbes, cliquez sur **Edit** afin de modifier la spécification Vega de ce graphique intégré. Suivez l’exemple dans l’[espace de travail de démonstration des graphiques personnalisés](https://app.wandb.ai/demo-team/custom-charts).
 
 <Frame>
-  <img src="/images/general/custom-charts-1.png" alt="Sélection d’un graphique personnalisé" />
+  <img src="/images/app_ui/custom-charts-1.png" alt="Sélection d’un graphique personnalisé" />
 </Frame>
 
 Mettez à jour la spécification Vega pour personnaliser la visualisation :
@@ -82,7 +82,7 @@ Mettez à jour la spécification Vega pour personnaliser la visualisation :
 Enregistrez un préréglage pour réutiliser la même configuration de graphique dans d’autres panneaux du projet. Pour l’enregistrer comme préréglage que vous pourrez réutiliser ailleurs dans ce projet, cliquez sur **Save as** en haut de la page. Voici à quoi ressemble le résultat, avec une courbe ROC.
 
 <Frame>
-  <img src="/images/general/custom-charts-2.png" alt="Graphique de la courbe PR" />
+  <img src="/images/app_ui/custom-charts-2.png" alt="Graphique de la courbe PR" />
 </Frame>
 
 <div id="bonus-composite-histograms">
@@ -107,9 +107,9 @@ Pour créer votre propre version du panneau d’histogramme composite personnali
 Voici un exemple de résultat issu d’une brève expérience : un entraînement sur seulement 1 000 exemples pendant une époque génère un modèle qui est sûr que la plupart des images ne sont pas des plantes, mais incertain quant à celles qui pourraient être des animaux.
 
 <Frame>
-  <img src="/images/general/custom-charts-3.png" alt="Configuration du graphique" />
+  <img src="/images/app_ui/custom-charts-3.png" alt="Configuration du graphique" />
 </Frame>
 
 <Frame>
-  <img src="/images/general/custom-charts-4.png" alt="Résultat du graphique" />
+  <img src="/images/app_ui/custom-charts-4.png" alt="Résultat du graphique" />
 </Frame>
@@ -8,7 +8,7 @@ keywords: ["importance des hyperparamètres", "importance des variables", "forê
 Le panneau d&#39;importance des paramètres vous aide à déterminer lesquels de vos hyperparamètres prédisent le mieux les valeurs souhaitées de vos métriques et y sont le plus fortement corrélés. Utilisez ce panneau pour orienter vos futures recherches d&#39;hyperparamètres vers les paramètres qui comptent le plus pour les performances du modèle.
 
 <Frame>
-  <img src="/images/general/parameter-importance-1.png" alt="Panneau d'importance des paramètres" />
+  <img src="/images/app_ui/parameter-importance-1.png" alt="Panneau d'importance des paramètres" />
 </Frame>
 
 La **corrélation** est la corrélation linéaire entre l&#39;hyperparamètre et la métrique choisie (dans ce cas, `val_loss`). Une corrélation élevée signifie que lorsque l&#39;hyperparamètre a une valeur plus élevée, la métrique prend également des valeurs plus élevées, et inversement. La corrélation est une métrique utile, mais elle ne permet pas de capturer les interactions du second ordre entre les entrées, et elle peut devenir difficile à interpréter lorsque vous comparez des entrées de plages différentes.
@@ -50,7 +50,7 @@ Avec le gestionnaire des paramètres, vous pouvez définir manuellement les para
 Les sections suivantes décrivent comment lire les valeurs d’importance et de corrélation affichées dans le panneau afin que vous puissiez vous en servir dans votre prochain balayage.
 
 <Frame>
-  <img src="/images/general/parameter-importance-4.png" alt="Analyse de l’importance des variables" />
+  <img src="/images/app_ui/parameter-importance-4.png" alt="Analyse de l’importance des variables" />
 </Frame>
 
 Ce panneau affiche tous les paramètres transmis à l’objet [wandb.Run.config](/fr/models/track/config/) dans votre script d’entraînement. Il affiche ensuite l’importance des variables et les corrélations entre ces paramètres de configuration et la métrique du modèle que vous sélectionnez (`val_loss` dans ce cas).

@@ -31,7 +31,7 @@ L’exemple suivant montre un nuage de points affichant l’accuracy de validati
 [Voir un exemple interactif →](https://app.wandb.ai/l2k2/l2k/reports?view=carey%2FScatter%20Plot)
 
 <Frame>
-  <img src="/images/general/scatter-plots-1.png" alt="Nuage de points de l’accuracy de validation" />
+  <img src="/images/app_ui/scatter-plots-1.png" alt="Nuage de points de l’accuracy de validation" />
 </Frame>
 
 <div id="create-a-scatter-plot">

@@ -66,7 +66,7 @@ with wandb.init() as run:
 デフォルトの可視化は出発点として適していますが、Vega spec を編集することで、チャートのタイプを変更したり、タイトルを追加したり、見た目を調整したりできます。散布図から折れ線グラフに切り替えるには、**Edit** をクリックして、この組み込みチャートの Vega spec を変更してください。[ワークスペース](https://app.wandb.ai/demo-team/custom-charts)を見ながら進めます。
 
 <Frame>
-  <img src="/images/general/custom-charts-1.png" alt="カスタム チャートの選択" />
+  <img src="/images/app_ui/custom-charts-1.png" alt="カスタム チャートの選択" />
 </Frame>
 
 Vega spec を更新して可視化をカスタマイズします。
@@ -82,7 +82,7 @@ Vega spec を更新して可視化をカスタマイズします。
 プリセットを保存すると、同じチャート設定を project 内の他のパネルでも再利用できます。この project 内の別の場所でも使えるプリセットとして保存するには、ページ上部の **Save as** をクリックしてください。結果は次のようになり、ROC 曲線も表示されます。
 
 <Frame>
-  <img src="/images/general/custom-charts-2.png" alt="PR 曲線のチャート" />
+  <img src="/images/app_ui/custom-charts-2.png" alt="PR 曲線のチャート" />
 </Frame>
 
 <div id="bonus-composite-histograms">
@@ -107,9 +107,9 @@ Vega spec を更新して可視化をカスタマイズします。
 以下は、短時間の実験で得られた結果の例です。1,000 件の例だけで 1 エポック トレーニングすると、ほとんどの画像は植物ではないと高い確信を持つ一方で、どの画像が動物かについては不確かなモデルが得られます。
 
 <Frame>
-  <img src="/images/general/custom-charts-3.png" alt="チャート設定" />
+  <img src="/images/app_ui/custom-charts-3.png" alt="チャート設定" />
 </Frame>
 
 <Frame>
-  <img src="/images/general/custom-charts-4.png" alt="チャート結果" />
+  <img src="/images/app_ui/custom-charts-4.png" alt="チャート結果" />
 </Frame>
@@ -8,7 +8,7 @@ keywords: ["ハイパーパラメーター重要度", "特徴量重要度", "ラ
 パラメーター重要度パネルを使用すると、どのハイパーパラメーターが望ましいメトリクス値を最もよく予測し、かつ強く相関しているかを把握できます。このパネルを使って、今後のハイパーパラメーター探索では、モデル性能に最も大きく影響するパラメーターに注力してください。
 
 <Frame>
-  <img src="/images/general/parameter-importance-1.png" alt="パラメーター重要度パネル" />
+  <img src="/images/app_ui/parameter-importance-1.png" alt="パラメーター重要度パネル" />
 </Frame>
 
 **相関** は、ハイパーパラメーターと選択したメトリクス (この場合は `val_loss`) の線形相関を表します。相関が高い場合、ハイパーパラメーターの値が大きいほどメトリクスの値も大きくなり、その逆も成り立ちます。相関は有用なメトリクスですが、入力同士の二次的な相互作用は捉えられず、範囲の異なる入力を比較すると解釈が難しくなることがあります。
@@ -50,7 +50,7 @@ Workspace にハイパーパラメーター重要度パネルを追加するに
 以下のセクションでは、次回の sweep で活用できるように、パネルに表示される重要度と相関の値の見方を説明します。
 
 <Frame>
-  <img src="/images/general/parameter-importance-4.png" alt="特徴量重要度の分析" />
+  <img src="/images/app_ui/parameter-importance-4.png" alt="特徴量重要度の分析" />
 </Frame>
 
 このパネルには、トレーニングスクリプトで [`wandb.Run.config`](/ja/models/track/config/) オブジェクトに渡されたすべてのパラメーターが表示されます。また、選択したモデルのメトリクス (この場合は `val_loss`) に対する、これらの設定パラメーターの特徴量重要度と相関が表示されます。

@@ -29,7 +29,7 @@ W&amp;B の散布図を使用すると、run を比較し、実験メトリク
 [実際の例を見る →](https://app.wandb.ai/l2k2/l2k/reports?view=carey%2FScatter%20Plot)
 
 <Frame>
-  <img src="/images/general/scatter-plots-1.png" alt="検証精度の散布図" />
+  <img src="/images/app_ui/scatter-plots-1.png" alt="検証精度の散布図" />
 </Frame>
 
 <div id="create-a-scatter-plot">

@@ -66,7 +66,7 @@ with wandb.init() as run:
 기본 시각화도 좋은 시작점이지만, Vega 스펙을 편집해 차트 유형을 바꾸고 제목을 추가하며 모양을 더 세밀하게 다듬을 수 있습니다. 산점도에서 선형 플롯으로 전환하려면 **Edit**를 클릭해 이 기본 제공 차트의 Vega 스펙을 변경하세요. [맞춤형 차트 데모 워크스페이스](https://app.wandb.ai/demo-team/custom-charts)에서 함께 따라 해보세요.
 
 <Frame>
-  <img src="/images/general/custom-charts-1.png" alt="맞춤형 차트 선택" />
+  <img src="/images/app_ui/custom-charts-1.png" alt="맞춤형 차트 선택" />
 </Frame>
 
 시각화를 사용자 지정하도록 Vega 스펙을 업데이트하세요:
@@ -82,7 +82,7 @@ with wandb.init() as run:
 프리셋을 저장하면 프로젝트의 다른 Panel에서도 동일한 차트 설정을 재사용할 수 있습니다. 이 프로젝트의 다른 곳에서 사용할 수 있는 프리셋으로 저장하려면 페이지 상단의 **Save as**를 클릭하세요. 다음은 ROC 곡선과 함께 표시된 결과입니다.
 
 <Frame>
-  <img src="/images/general/custom-charts-2.png" alt="PR 곡선 차트" />
+  <img src="/images/app_ui/custom-charts-2.png" alt="PR 곡선 차트" />
 </Frame>
 
 <div id="bonus-composite-histograms">
@@ -107,9 +107,9 @@ with wandb.init() as run:
 다음은 간단한 실험의 예시 결과입니다. 예시 1,000개만으로 한 에포크 동안 트레이닝하면, 대부분의 이미지가 식물이 아니라는 점에는 확신하지만 어떤 이미지가 동물일 수 있는지에 대해서는 불확실한 모델이 생성됩니다.
 
 <Frame>
-  <img src="/images/general/custom-charts-3.png" alt="차트 설정" />
+  <img src="/images/app_ui/custom-charts-3.png" alt="차트 설정" />
 </Frame>
 
 <Frame>
-  <img src="/images/general/custom-charts-4.png" alt="차트 결과" />
+  <img src="/images/app_ui/custom-charts-4.png" alt="차트 결과" />
 </Frame>
@@ -8,7 +8,7 @@ keywords: ["하이퍼파라미터 중요도", "특성 중요도", "랜덤 포레
 파라미터 중요도 패널은 어떤 하이퍼파라미터가 원하는 메트릭 값을 가장 잘 예측하고, 해당 값과 높은 상관관계를 보이는지 파악하는 데 도움이 됩니다. 이 패널을 사용해 이후 하이퍼파라미터 검색에서 모델 성능에 가장 큰 영향을 미치는 파라미터에 집중하세요.
 
 <Frame>
-  <img src="/images/general/parameter-importance-1.png" alt="파라미터 중요도 패널" />
+  <img src="/images/app_ui/parameter-importance-1.png" alt="파라미터 중요도 패널" />
 </Frame>
 
 **Correlation**은 하이퍼파라미터와 선택한 메트릭(이 경우 `val_loss`) 사이의 선형 상관관계입니다. 상관관계가 높다는 것은 하이퍼파라미터 값이 높을수록 메트릭 값도 높아지고, 반대의 경우도 마찬가지라는 뜻입니다. 상관관계는 유용한 메트릭이지만 입력 간의 2차 상호작용은 포착할 수 없으며, 범위가 서로 다른 입력을 비교할 때는 해석이 복잡해질 수 있습니다.
@@ -50,7 +50,7 @@ W&amp;B는 **중요도** 메트릭도 계산합니다. W&amp;B는 하이퍼파
 다음 섹션에서는 패널에 표시된 중요도 및 상관관계 값을 읽는 방법을 설명하므로, 다음 스윕에서 이를 바탕으로 조치할 수 있습니다.
 
 <Frame>
-  <img src="/images/general/parameter-importance-4.png" alt="특성 중요도 분석" />
+  <img src="/images/app_ui/parameter-importance-4.png" alt="특성 중요도 분석" />
 </Frame>
 
 이 패널에는 트레이닝 스크립트에서 [`wandb.Run.config`](/ko/models/track/config/) 객체로 전달된 모든 파라미터가 표시됩니다. 또한 선택한 모델 메트릭(이 경우 `val_loss`)을 기준으로 이러한 설정 파라미터의 특성 중요도와 상관관계를 보여줍니다.

@@ -29,7 +29,7 @@ W&amp;B에서 산점도를 사용해 run을 비교하고 실험 메트릭 간의
 [실시간 예시 보기 →](https://app.wandb.ai/l2k2/l2k/reports?view=carey%2FScatter%20Plot)
 
 <Frame>
-  <img src="/images/general/scatter-plots-1.png" alt="검증 정확도 산점도" />
+  <img src="/images/app_ui/scatter-plots-1.png" alt="검증 정확도 산점도" />
 </Frame>
 
 <div id="create-a-scatter-plot">

@@ -56,7 +56,7 @@ With the query in place, you can map your logged columns to the chart's visual e
 The default visualization is a good starting point, but you can edit the Vega spec to change the chart type, add titles, and refine the appearance. To switch from a scatter plot to a line plot, click **Edit** to change the Vega spec for this built-in chart. Follow along in the [custom charts demo workspace](https://app.wandb.ai/demo-team/custom-charts).
 
 <Frame>
-    <img src="/images/general/custom-charts-1.png" alt="Custom chart selection" />
+    <img src="/images/app_ui/custom-charts-1.png" alt="Custom chart selection" />
 </Frame>
 
 Update the Vega spec to customize the visualization:
@@ -72,7 +72,7 @@ Update the Vega spec to customize the visualization:
 Save a preset to reuse the same chart configuration on other panels in the project. To save this as a preset that you can use elsewhere in this project, click **Save as** at the top of the page. Here's what the result looks like, along with an ROC curve.
 
 <Frame>
-    <img src="/images/general/custom-charts-2.png" alt="PR curve chart" />
+    <img src="/images/app_ui/custom-charts-2.png" alt="PR curve chart" />
 </Frame>
 
 ## Bonus: composite histograms
@@ -95,9 +95,9 @@ To create your own version of the custom composite histogram panel:
 Here's an example result from a brief experiment: training on only 1,000 examples for one epoch yields a model that's confident that most images are not plants and uncertain about which images might be animals.
 
 <Frame>
-    <img src="/images/general/custom-charts-3.png" alt="Chart configuration" />
+    <img src="/images/app_ui/custom-charts-3.png" alt="Chart configuration" />
 </Frame>
 
 <Frame>
-    <img src="/images/general/custom-charts-4.png" alt="Chart result" />
+    <img src="/images/app_ui/custom-charts-4.png" alt="Chart result" />
 </Frame>
@@ -9,7 +9,7 @@ The parameter importance panel helps you discover which of your hyperparameters
 
 
 <Frame>
-    <img src="/images/general/parameter-importance-1.png" alt="Parameter importance panel"  />
+    <img src="/images/app_ui/parameter-importance-1.png" alt="Parameter importance panel"  />
 </Frame>
 
 **Correlation** is the linear correlation between the hyperparameter and the chosen metric (in this case, `val_loss`). A high correlation means that when the hyperparameter has a higher value, the metric also has higher values, and vice versa. Correlation is a useful metric, but it can't capture second-order interactions between inputs, and it can get messy when you compare inputs with different ranges.
@@ -49,7 +49,7 @@ With the parameter manager, you can manually set the visible and hidden paramete
 The following sections describe how to read the importance and correlation values shown in the panel so you can act on them in your next sweep.
 
 <Frame>
-    <img src="/images/general/parameter-importance-4.png" alt="Feature importance analysis"  />
+    <img src="/images/app_ui/parameter-importance-4.png" alt="Feature importance analysis"  />
 </Frame>
 
 This panel shows you all the parameters passed to the [`wandb.Run.config`](/models/track/config/) object in your training script. It also shows the feature importances and correlations of these config parameters with respect to the model metric you select (`val_loss` in this case).

@@ -22,10 +22,10 @@ Use scatter plots to compare multiple runs and visualize the performance of an e
 
 The following example shows a scatter plot displaying validation accuracy for different models over several weeks of experimentation. The tooltip includes batch size, dropout, and axis values. A line also shows the running average of validation accuracy.
 
-[See a live example →](https://app.wandb.ai/l2k2/l2k/reports?view=carey%2FScatter%20Plot)
+[See a live example](https://app.wandb.ai/l2k2/l2k/reports?view=carey%2FScatter%20Plot)
 
 <Frame>
-    <img src="/images/general/scatter-plots-1.png" alt="Validation accuracy scatter plot" />
+    <img src="/images/app_ui/scatter-plots-1.png" alt="Validation accuracy scatter plot" />
 </Frame>
 
 ## Create a scatter plot