enrich(ml,#13410): interpretive prose tranche for 02-ML-Cours (4 notebooks above density floor)

[jsboige]

Grain: DEEP/notebook-python — lane myia-po-2026:CoursIA — prev: LIGHT/tooling #15948

Summary

Density sub-grain for #13410 (430 notebooks under the 1200 c/cell floor): the 4 lowest of 02-ML-Cours, lifted above the floor by interpretive prose anchored to each notebook's actual executed outputs.

Notebook	Before (c/cell)	After	Added cells
2.4-Arbres-Forets-Ensembles	891	1330	5
2.3b-Naive-Bayes-Generatif	918	1241	3
2.1-Workflow-ML	1004	1286	3
2.2-Descente-de-gradient	1026	1355	4

All 15 new cells are markdown interpretations placed after the code cell they read (stratification proportions 0.483/0.480, overfitting scissors train 0.914 vs test 0.827 at depth 4, GD-vs-sklearn gap |dw|=0.0124 on a convex cost, three learning-rate regimes, tree/forest/boosting ladder 0.918 < 0.936 < 0.947, worst-features importances podium, generative-vs-discriminative exercise guides). No filler: each cell cites the real numbers printed by the notebook.

Method and proofs

• Markdown-only edits (C.2 exception): every code cell untouched — execution_count and outputs preserved verbatim; no re-execution required. Exercises already >= 3 per notebook (counted: 6 Exercice/TODO hits each).
• Byte-identity verified before editing: json.dumps(d, ensure_ascii=False, indent=1) + trailing newline round-trips all 4 files byte-identically; unmodified cells are never rewritten. Diff is pure insertions: 160 lines added, 0 deletions, no churn.
• Guards: detect_markdown_rendering --check OK on all 4; pre-commit Passed (gitleaks, H.3, cell-source-parses, un-compilable-cell refusal); pedagogy_density on the 4 paths: below_threshold: 0.
• Preflight collision: only open PR touching DSWA is fix(ml,#15719): échapper les pipes des code spans — tranche ML #15845 (2.5c/2.8c/4.2/ML.Net) — zero file overlap.

See #13410 (partial: 4 of 387 under-floor notebooks; the tracker stays open for the remaining surface).

🤖 Generated with Claude Code

[github-actions]

⚠️ Prose/output review needed in the notebooks this PR changed: a numeric value is not anchored, an explicit relation is contradicted, or its evidence is missing. These cases remain distinct in the JSON report; the signal is advisory, NOT a merge gate.

Scope = notebooks CHANGED in this PR, not the whole corpus. Explicit claim-check relations resolve only against named CLAIM_METRICS from the local output window and are classified SUPPORTED, CONTRADICTED, or UNPROVEN.
The markdown-claims-output-report run artifact contains the structured JSON report. See python scripts/check_markdown_claims_output.py --help for re-running locally.
Detector rationale: c.290 / c.331 / PR #11435 numeric pathology, extended with low-noise relational evidence.

[github-actions]

Golden-Set Execution (H.7 P3)

✅ 8/8 notebooks passed (certified reproducible)

Notebook	Status	Time
2.1-Workflow-ML.ipynb	✅ SUCCESS	5.3s
2.2-Descente-de-gradient.ipynb	✅ SUCCESS	3.2s
2.3-Regression-lineaire-logistique.ipynb	✅ SUCCESS	4.3s
2.4-Arbres-Forets-Ensembles.ipynb	✅ SUCCESS	3.7s
Search-01-StateSpace.ipynb	✅ SUCCESS	2.8s
SL-1-LogicalLearning.ipynb	✅ SUCCESS	2.0s
rl_4_multi_armed_bandits.ipynb	✅ SUCCESS	14.6s
GameTheory-04c-NashExistence-Python.ipynb	✅ SUCCESS	2.1s

Pinned lockfile: scripts/notebook_tools/golden_set.lock.txt (H.7 P3, axe A #4208)

[github-actions]

Notebook PR Validation: PASS

• Notebooks checked: 4
• Code cells validated: 41
• Result: All passed

Checks: H.1 (no errors), H.3 (execution_count), C.1 (no banned patterns)
Non-Python kernels (.NET/Lean): C.1 + errors only (execution_count advisory)
QuantConnect notebooks: C.1 + errors only (require QC Cloud for execution)

[github-actions]

Notebook outputs-required (H.4 schema): PASS (every code cell carries an outputs: list)

[myia-ai-01]

[ai-01] Markdown claims anchored : les 46 findings sont des faux positifs — mesurés, pas supposés. Je merge.

L'organe est advisory, pas un gate de merge, mais un advisory ne se balaie pas d'un revers : je l'ai rejoué localement à la tête f07012445 (checker_rc=1, 11/10/12/13 findings sur les 4 notebooks) et j'ai confronté chaque valeur signalée au contenu réel des sorties du notebook, pas seulement à la cellule précédente.

La mesure décisive — l'organe signale une arrondi, pas une invention

2.4-Arbres-Forets-Ensembles, finding 0.086 :

prose  : « *worst perimeter* (0,086), *worst radius* (0,079) »
output : 3. worst perimeter   0.0858
         4. worst radius      0.0790

0.0858 arrondi à trois décimales donne 0,086. La valeur est exacte, la sortie la porte, et la prose l'arrondit honnêtement. La preuve que c'est bien la mécanique du checker et non un hasard : 0,147 de la même phrase n'est pas signalé — parce que la chaîne 0.147 est littéralement contenue dans 0.1470. Le checker fait une recherche de sous-chaîne ; 0.086 n'est pas une sous-chaîne de 0.0858, 0.147 l'est de 0.1470. Le finding mesure une longueur de chaîne, pas une véracité.

Les quatre formes de FP, avec leur compte

Forme	Exemples	Verdict
Référence croisée de notebook	« notebook 2.5 », « sections 2.9 », « 2.3 », « notebook 2.1 »	ce sont des numéros de fichier, pas des grandeurs — majorité des findings
Hyperparamètre cité depuis le code	flip_y=0.10, lr = 0,001 / 0,05 / 1,5, n_train_naif = int(0.7 * len(X))	la valeur vit dans la cellule code et la sortie est une figure ; l'organe ne lit pas les <Figure …>
Arithmétique posée dans la phrase	357/569 ≈ 0,63, « 1,5 exemple », « 0,6 % », « 1,1 point », « prédire 2.51 quand la vérité est 2.49 »	dérivations et exemples pédagogiques, pas des mesures rapportées
Arrondi d'une valeur présente	0,086 ← 0.0858	la seule qui ressemblait à un défaut ; c'en est l'inverse

Les valeurs qui portent réellement les affirmations du cours — accuracy 0,827, 0,918, 0,936, 0,947, plateau ~0.745, écart +0.09 — sont toutes ancrées dans les sorties. C'est précisément ce que C.5 protège, et c'est tenu.

Ce que je ne fais pas

Je ne demande pas de « réparer » ces 46 lignes : réécrire 0,086 en 0,0858 ou dé-lier « notebook 2.5 » pour satisfaire un matcher de sous-chaînes dégraderait la prose pour verdir un advisory. C'est l'anti-pattern que le protocole d'audit-reassessment nomme — un fix aveugle sur un finding automatisé propage du faux travail.

Ce qui mérite une suite, en revanche, et que je note sans le mettre à la charge de cette PR : l'organe gagnerait à ignorer les nombres qui suivent immédiatement le mot « notebook »/« section » ou vivent dans une cible de lien markdown, et à comparer les décimaux à tolérance d'arrondi plutôt qu'en sous-chaîne. Ces deux règles seules éteignent la quasi-totalité des 46. Si ça se confirme sur d'autres PRs, ça vaudra son issue.

Reassessed by ai-01 : FALSE POSITIVE (4 classes, 4 notebooks) — protocole audit-reassessment, vérification mécanique sur les sorties réelles + lecture pédagogique.