myia-ai-01 · Sep 27, 2026 · Sep 25, 2026 · Sep 25, 2026 · Sep 25, 2026 · Sep 25, 2026
diff --git a/.../Infer/Infer-20-Quotients-et-Fibres.ipynb → ...Infer-20-Quotients-et-Fibres-Python.ipynb b/.../Infer/Infer-20-Quotients-et-Fibres.ipynb → ...Infer-20-Quotients-et-Fibres-Python.ipynb
@@ -17,7 +17,7 @@
     "# Infer-20 — Quotients, fibres et recollement : ce qui survit à la projection, ce qui ne vit que dans les fibres\n",
     "\n",
     "> **Corpus bayésien / information théorique.** Ce notebook (20ᵉ du corpus\n",
-    "> [Infer.NET](Infer-Glossary.md), 5ᵉ de la saison « protocoles\n",
+    "> [Infer.NET](../Infer/Infer-Glossary.md), 5ᵉ de la saison « protocoles\n",
     "> d'analyse ») sort de la famille inférentielle stricte pour attaquer un\n",
     "> problème de **représentation** : deux observations du même phénomène\n",
     "> peuvent-elles être comparées autrement que par « laquelle est plus\n",

diff --git a/MyIA.AI.Notebooks/Probas/README.md b/MyIA.AI.Notebooks/Probas/README.md
diff --git a/_quarto.yml b/_quarto.yml
@@ -859,7 +859,7 @@ project:
     - "MyIA.AI.Notebooks/Probas/Infer/Infer-15-Recommenders.ipynb"
     - "MyIA.AI.Notebooks/Probas/Infer/Infer-17-Kalman-Filter.ipynb"
     - "MyIA.AI.Notebooks/Probas/Infer/Infer-2-Gaussian-Mixtures.ipynb"
-    - "MyIA.AI.Notebooks/Probas/Infer/Infer-20-Quotients-et-Fibres.ipynb"
+    - "MyIA.AI.Notebooks/Probas/Applications/Infer-20-Quotients-et-Fibres-Python.ipynb"
     - "MyIA.AI.Notebooks/Probas/Infer/Infer-2b-Debugging-Bonnes-Pratiques.ipynb"
     - "MyIA.AI.Notebooks/Probas/Infer/Infer-4-Bayesian-Networks.ipynb"
     - "MyIA.AI.Notebooks/Probas/Infer/Infer-5-Causal-Inference.ipynb"

diff --git a/docs/curriculum/recherche.md b/docs/curriculum/recherche.md
@@ -284,7 +284,7 @@ Inférence probabiliste (Infer.NET, Pyro, PyMC), théorie de l'information inté
 | 11 | [Infer-19 — Analyse de survie / fiabilite bayesienne :…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-19-Survival-Analysis.ipynb) | BETA | Oui |
 | 12 | [Infer-1b : Introduction a Infer.NET](../../MyIA.AI.Notebooks/Probas/Infer/Infer-1b-Premiers-Modeles.ipynb) | BETA | Oui |
 | 13 | [Infer-2-Gaussian-Mixtures : Distributions Gaussiennes…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-2-Gaussian-Mixtures.ipynb) | BETA | Oui |
-| 14 | [Infer-20 — Quotients, fibres et recollement : ce qui…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-20-Quotients-et-Fibres.ipynb) | BETA | Oui |
+| 14 | [Infer-20 — Quotients, fibres et recollement : ce qui…](../../MyIA.AI.Notebooks/Probas/Applications/Infer-20-Quotients-et-Fibres-Python.ipynb) | BETA | Oui |
 | 15 | [Infer-2b-Debugging-Bonnes-Pratiques : Troubleshooting…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-2b-Debugging-Bonnes-Pratiques.ipynb) | BETA | Oui |
 | 16 | [Infer-3-Factor-Graphs : Graphes de Facteurs et…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-3-Factor-Graphs.ipynb) | BETA | Oui |
 | 17 | [Infer-4-Bayesian-Networks : Reseaux Bayesiens…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-4-Bayesian-Networks.ipynb) | BETA | Oui |

diff --git a/docs/curriculum/trading.md b/docs/curriculum/trading.md
@@ -209,7 +209,7 @@ Stratégies de trading algorithmique avec QuantConnect, pipeline ML (Transformer
 | 11 | [Infer-19 — Analyse de survie / fiabilite bayesienne :…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-19-Survival-Analysis.ipynb) | BETA | Oui |
 | 12 | [Infer-1b : Introduction a Infer.NET](../../MyIA.AI.Notebooks/Probas/Infer/Infer-1b-Premiers-Modeles.ipynb) | BETA | Oui |
 | 13 | [Infer-2-Gaussian-Mixtures : Distributions Gaussiennes…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-2-Gaussian-Mixtures.ipynb) | BETA | Oui |
-| 14 | [Infer-20 — Quotients, fibres et recollement : ce qui…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-20-Quotients-et-Fibres.ipynb) | BETA | Oui |
+| 14 | [Infer-20 — Quotients, fibres et recollement : ce qui…](../../MyIA.AI.Notebooks/Probas/Applications/Infer-20-Quotients-et-Fibres-Python.ipynb) | BETA | Oui |
 | 15 | [Infer-2b-Debugging-Bonnes-Pratiques : Troubleshooting…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-2b-Debugging-Bonnes-Pratiques.ipynb) | BETA | Oui |
 | 16 | [Infer-3-Factor-Graphs : Graphes de Facteurs et…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-3-Factor-Graphs.ipynb) | BETA | Oui |
 | 17 | [Infer-4-Bayesian-Networks : Reseaux Bayesiens…](../../MyIA.AI.Notebooks/Probas/Infer/Infer-4-Bayesian-Networks.ipynb) | BETA | Oui |

diff --git a/scripts/notebook_tools/detect_paragraph_length.py b/scripts/notebook_tools/detect_paragraph_length.py
@@ -281,10 +281,11 @@ def scan_paths(paths: list[Path], as_json: bool, fail: bool) -> int:
     "tore fini). Elle totalise **69 notebooks** -- **28 en C#/.NET "
     "Interactive**, **38 en Python**, **3 en Lean 4** (voir le marqueur "
     "CATALOG-STATUS ci-dessus pour le decompte autoritatif). Le corpus "
-    "bayesien ([`Infer/`](Infer/README.md)) compte **21 notebooks** -- "
-    "socle numerote 1-20 (le numero 6 n'existe pas : le debugging vit "
-    "en accretion `Infer-2b`), accretion de premier modele "
-    "`Infer-1b`, et `Infer-20` *Quotients et fibres* en kernel Python "
+    "bayesien ([`Infer/`](Infer/README.md)) couvre le socle numerote 1-19 "
+    "(le numero 6 n'existe pas : le debugging vit en accretion `Infer-2b`), "
+    "l'accretion de premier modele `Infer-1b`, et l'application autonome "
+    "`Infer-20` *Quotients et fibres* en kernel Python (desormais dans "
+    "`Applications/`) "
     "-- couvrant fondements (distributions, graphes de facteurs), "
     "modeles classiques (reseaux bayesiens, TrueSkill, LDA, HMM), "
     "frontieres (causalite, processus gaussiens, modeles "

diff --git a/scripts/notebook_tools/tests/fixtures/paragraph_wall_md.md b/scripts/notebook_tools/tests/fixtures/paragraph_wall_md.md
@@ -7,15 +7,15 @@ distinctes pour qu'un test puisse viser une section par `path` + `start_line`.
 
 ## Section 1 — paragraphe-mur fondateur (DOIT tirer)
 
-Cette serie couvre trois stacks complementaires : Infer.NET, PyMC, et des applications standalone comme RSA, identification causale avec DoWhy, ou encore la percolation de liens sur tore fini. Elle totalise 69 notebooks -- 28 en C#/.NET Interactive, 38 en Python, 3 en Lean 4 -- repartis entre le corpus bayesien Infer.NET (21 notebooks, socle 1-20 sans le numero 6 qui vit en accretion Infer-2b, plus les accretions Infer-1b premier modele et Infer-20 quotients et fibres en kernel Python), l'arc theorie de la decision (8 notebooks C# DecInfer plus 2 notebooks Lean pour la certification formelle des lemmes d'escompte geometrique et de l'indice de Gittins, le tout certifie par le lake companion decision_theory_lean), le versant PyMC en parite 1:1 (19 notebooks corpus plus 12 miroirs de l'arc decision, dont la jambe actuarielle 8-12 specialisee en frequence x severite hierarchique et le notebook DecPyMC-11 sur la valeur de l'information en souscription), la percolation (1 notebook Python trois regimes mesures sur un tore fini par Diskin-Easo-Radhakrishnan-Sudakov-Tassion, plus 1 notebook Lean compagnon du lake percolation_lean qui demontre sans sorry le noyau fini), et le pont causal DecisionTheory/Causal-Bridges qui federe les quatre traitements de la causalite dissemines dans le depot (Tweety logique formelle, Infer.NET message passing via le notebook Infer-5-Causal-Inference, PyMC echantillonnage MCMC via PyMC-05-Causal-Inference, et emergence causale PyPhi via ICT-5 et ICT-6 du dossier IIT) autour de l'echelle de Pearl et des trois regles du do-calculus -- identifie l'estimande par backdoor/front-door/variable instrumentale, l'estime par regression ou modele causal, puis le refute par placebo et randomisation. L'outil de reference dowhy (pywhy.org) est execute reel sur chaque notebook, jamais une reimplementation jouet, et la documentation detaillee de chaque segment pedagogique vit dans les README specialises (Infer/, PyMC/, DecisionTheory/DecInfer/, DecisionTheory/DecPyMC/, DecisionTheory/Causal-Bridges/, Applications/Percolation/).
+Cette serie couvre trois stacks complementaires : Infer.NET, PyMC, et des applications standalone comme RSA, identification causale avec DoWhy, ou encore la percolation de liens sur tore fini. Elle totalise un large corpus -- C# et Python.NET Interactive, 38 en Python, 3 en Lean 4 -- repartis entre le corpus bayesien Infer.NET (socle 1-19 sans le numero 6 qui vit en accretion Infer-2b, plus les accretions Infer-1b premier modele et l'application autonome Infer-20 quotients et fibres en kernel Python, desormais dans Applications/), l'arc theorie de la decision (des notebooks C# DecInfer plus des notebooks Lean pour la certification formelle des lemmes d'escompte geometrique et de l'indice de Gittins, le tout certifie par le lake companion decision_theory_lean), le versant PyMC en parite 1:1 (le corpus numerote plus les miroirs de l'arc decision, dont la jambe actuarielle 8-12 specialisee en frequence x severite hierarchique et le notebook DecPyMC-11 sur la valeur de l'information en souscription), la percolation (un notebook Python trois regimes mesures sur un tore fini par Diskin-Easo-Radhakrishnan-Sudakov-Tassion, plus un notebook Lean compagnon du lake percolation_lean qui demontre sans sorry le noyau fini), et le pont causal DecisionTheory/Causal-Bridges qui federe les quatre traitements de la causalite dissemines dans le depot (Tweety logique formelle, Infer.NET message passing via le notebook Infer-5-Causal-Inference, PyMC echantillonnage MCMC via PyMC-05-Causal-Inference, et emergence causale PyPhi via ICT-5 et ICT-6 du dossier IIT) autour de l'echelle de Pearl et des trois regles du do-calculus -- identifie l'estimande par backdoor/front-door/variable instrumentale, l'estime par regression ou modele causal, puis le refute par placebo et randomisation. L'outil de reference dowhy (pywhy.org) est execute reel sur chaque notebook, jamais une reimplementation jouet, et la documentation detaillee de chaque segment pedagogique vit dans les README specialises (Infer/, PyMC/, DecisionTheory/DecInfer/, DecisionTheory/DecPyMC/, DecisionTheory/Causal-Bridges/, Applications/Percolation/).
 
 ## Section 2 — paragraphe normal (NE DOIT PAS tirer)
 
 Six paragraphes distincts, courts. Chaque bloc est separe par une ligne vide. Aucun ne depasse les 500 caracteres. La calibration confirme : p50 = 79 c, p75 = 274 c.
 
-Le corpus bayesien compte 21 notebooks, socle numéroté 1 à 20.
+Le corpus bayesien couvre le socle numéroté, plus une application autonome.
 
-L'arc décision en extrait 8 notebooks C# via DecInfer.
+L'arc décision en extrait des notebooks C# via DecInfer.
 
 Le versant PyMC porte 19 corpus + 12 miroirs de l'arc décision.
 

diff --git a/scripts/tests/baseline_nb_nav_chain.json b/scripts/tests/baseline_nb_nav_chain.json
@@ -1090,11 +1090,6 @@
       "notebook": "MyIA.AI.Notebooks/Probas/Infer/Infer-1b-Premiers-Modeles.ipynb",
       "series": "MyIA.AI.Notebooks/Probas/Infer"
     },
-    {
-      "kind": "orphan_entry",
-      "notebook": "MyIA.AI.Notebooks/Probas/Infer/Infer-20-Quotients-et-Fibres.ipynb",
-      "series": "MyIA.AI.Notebooks/Probas/Infer"
-    },
     {
       "kind": "orphan_entry",
       "notebook": "MyIA.AI.Notebooks/Probas/PyMC/PyMC-16-Sparse-Gaussian-Process.ipynb",