Patterns & baselines drag-and-drop : CNN, clustering, classification/régression, transformers

Contexte

Demande de Pierre BAUD : le produit doit proposer des patterns prêts à l'emploi — des pipelines baseline que l'utilisateur glisse directement dans la sandbox :

un pattern = charger les données -> traitement des données -> évaluation -> visualisation
une baseline -> une pipeline que l'utilisateur peut directement drag and drop dans la sandbox, par exemple la baseline du clustering : on charge les data -> on fait une pca ou un kmeans -> une tsne qui est la visu

Patterns demandés :

1. CNN / convolution (imagerie, etc.)
2. Clustering (kmeans, pca, t-SNE pour la visualisation, etc.)
3. Classification & régression (polynomiale, linéaire, knn)
4. LLM / transformers (+ eval)

État actuel (sourcé)

Vérifié sur dev/chedli contre les signatures réelles (backend/mlblock/blocks/*) et docs/UX_Blocks_Rework/coverage.md (6/12 exos PASS) :

Travail demandé

P0 — Réparer les patterns existants

• Retypage knn / decision_tree / svm : -> object vers -> Model (3 lignes, débloque evaluate)
• Trancher tsne : vrai bloc visu (df + labels -> bytes) OU pont ndarray consommable ; sortir tsne de modeles si visu
• Unifier standard_scaler / normalize (gap P0.4) : un seul comportement par famille, chaîne clustering sans rupture ndarray -> df

P1 — Baselines importables

• Convertisseur format exo (graph: {...}) → format frontend plat (nodes, edges + positions auto-layout)
• Route GET /api/exos (ou JSON statique frontend) + bouton galerie dans la palette/éditeur
• Figer 4–5 baselines depuis les exos PASS : CNN (A1), clustering (B2/B3 réparé), classification (B1), régression (poly+linreg), time-series (A7)
• Ne proposer que des baselines qui valident (validate() vert)

Hors scope

• Pattern LLM / transformers complet (pas de briques suffisantes : ni bloc transformer, ni tokeniseur subword, ni éval séquentielle) — à spécifier séparément, ne pas promettre ici

Critères d'acceptation

• Chaque pattern listé a une baseline qui passe validate() sans erreur
• Chaque baseline s'importe en 1 clic dans le canvas avec positions lisibles
• tsne branché dans la baseline clustering (en visu ou en traitement chaîné)
• knn, decision_tree, svm évaluables via evaluate

Start with docs/UX_Blocks_Rework/coverage.md and the referenced exercises, then inspect backend/mlblock/blocks/* and core/types.py to understand the current signatures and validation rules. Check how the frontend represents nodes and edges before choosing the import path. Done means the listed baselines import into the canvas, pass validate(), and satisfy the acceptance criteria without promising the out-of-scope transformer pattern.