Les récentes recherches en apprentissage automatique ont donné lieu à une littérature croissante sur la quantification et la décomposition d'incertitude en apprentissage automatique. Ces informations peuvent être très utiles lors des interactions avec l'apprenant, comme en apprentissage actif ou en apprentissage adaptatif, et en particulier en échantillonnage par incertitude. Pour permettre une représentation simple de ces incertitudes totales, épistémiques (réductibles) et aléatoires (irréductibles), nous proposons DEMAU, un outil open-source éducatif, exploratoire et analytique permettant de visualiser et d'explorer plusieurs types d'incertitude pour les modèles de classification en apprentissage automatique.