chore(catalog): scheduled auto-regenerate (long-lived PR)

MyIA.AI.Notebooks/GameTheory/README.md

@@ -6,7 +6,7 @@
 series: GameTheory
 pedagogical_count: 109
 breakdown: root=99, SocialChoice=10
-maturity: BETA=100, DRAFT=5, ALPHA=4
+maturity: BETA=100, ALPHA=5, DRAFT=4
 -->
 
 La théorie des jeux est le langage mathématique de la stratégie. Elle modélise les situations où des agents rationnels prennent des décisions dont le résultat dépend des choix des autres : enchères, négociations, élections, poker, allocation de ressources. Cette tension entre coopération et compétition traverse l'économie, les sciences politiques et l'informatique (mécanismes de vote, contrats, réseaux), et le prix Nobel d'économie a récompensé des théoriciens des jeux à sept reprises entre 1994 et 2020.

MyIA.AI.Notebooks/GenAI/FineTuning/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: GenAI-FineTuning
-pedagogical_count: 10
-breakdown: FineTuning=10
-maturity: BETA=10
+pedagogical_count: 11
+breakdown: FineTuning=11
+maturity: BETA=11
 -->
 
 [← GenAI](../README.md) | [↑ ..](../README.md) | [→ PostTraining](../PostTraining/README.md)

MyIA.AI.Notebooks/GenAI/PostTraining/README.md

@@ -6,7 +6,7 @@
 series: GenAI-PostTraining
 pedagogical_count: 20
 breakdown: PostTraining=20
-maturity: BETA=13, ALPHA=7
+maturity: BETA=14, ALPHA=6
 -->
 
 > **Place dans GenAI** : cette série est le pendant *théorique et SOTA 2024-2025* de la série [FineTuning](../FineTuning/README.md). FineTuning couvre la boîte à outils pratique (LoRA, QLoRA, SFT, DPO, model merging) ; PostTraining remonte la chaîne conceptuelle complète SFT → RLHF → DPO → GRPO → RLVR → **GAE** et reproduit les techniques récentes (Deepseek-R1) sur petits modèles, complétée par un notebook d'évaluation comparative, un détecteur de reward hacking, et un notebook d'implémentation from-scratch de la famille "no critic" (GRPO/RLOO/GAE) sur toy env CPU, par un **notebook multi-step à crédit différé causal** (PT-12 : les cinq estimateurs re-mesurés, GAE-λ devient discriminant, verdict BEATS 5/5 seeds — le "1-step collapse" était une propriété du banc), et de **trois notebooks appliqués Qwen + GRPO + reward vérifiable + rewardspy en ligne** (PT-11a Z3 CSP arithmétique sur Qwen3.5-0.8B + PT-11b SymPy arithmétique + Z3 N-queens, plus leur validation multi-seed, **plus PT-11c sur le cran au-dessus Qwen3-1.7B/2B** qui qualifie l'étage GPU moyen 16 Go et oppose 0.8B vs 1.7B/2B à budget steps égal) qui font sortir la série du toy env vers un vrai LLM, et **PT-13 sur les corrections 2025 de la loss GRPO** (`Dr. GRPO` : retrait de `÷|o_i|` et `÷std` ; `clip-higher` de `DAPO` : ε_high=0.28 > ε_low=0.2), dont le biais de longueur est mesuré au **niveau gradient**, et **PT-14 sur les lois thermodynamiques de l'entraînement** (R08 : T ∼ η, équipartition ℓf = C·η, schedule 1/t optimal avec discontinuité η/2, force entropique — la physique des learning-rate schedules utilisés en PT-11), et **PT-15 sur le contrôle par interprétabilité** (R14 §3.2 / R11 §1.1 : refusal direction d'Arditi — extraction diffmoy, ablation par projection toutes-couches, steering additif ; machine unlearning et son évaluation white-box ; finetuning shallow « ~10 exemples rouvrent un modèle aligné » de Gade/Lermen ; evaluation awareness Claude 4.6/Apollo, et **PT-16 sur le vericoding** (Bursuc et al. 2025 : la preuve formelle comme récompense — pipeline spec → LLM local 7B → `Dafny verify`/`lean` réels → boucle de réparation 5 tentatives, avec le cas d'école LC0033 « liste vide prouvée conforme à une spec incomplète »), et **PT-17 sur les règles de score propres comme récompense (laya, Nandakishor M., Apache-2.0)** — récompense qui note une probabilité plutôt qu'une réponse ; étude étagée d'un modèle de décision non autorégressif (encodeur bidirectionnel + tête transformer, primitives `choice`/`score`/`noul`). Étage 1 (CPU from-scratch) : la famille des récompenses (binaire, linéaire, log, Brier, sphérique) sur tâche jouet où p(y|x) est connue — les propres **calibrent 7,6× mieux** que les impropres (ECE 0,011 vs 0,088) à exactitude comparable. Estimateur perturbation (GRPO-like G=8) vs gradient direct (MLE) : direct gagne en calibration. Question tranchée : la sur-confiance vient de **toute récompense qui ne note que l'argmax**, pas de la cross-entropie. Étage 2 (GPU 24 Go, ≥ 4 graines, bras CE / RL / RL+CE) reporté en PR séparée. Les deux se complèment : commencer par FineTuning pour la pratique, PostTraining pour la profondeur méthodologique.

MyIA.AI.Notebooks/GenAI/README.md

@@ -418,7 +418,7 @@ Trois sous-dossiers complètent la série sans être des notebooks :
 
 <!-- CATALOG-STATUS
 series: GenAI
-pedagogical_count: 247
-breakdown: Audio=38, Texte=34, Plateformes-Conversationnelles=28, Video=22, Image=21, PostTraining=20, SemanticKernel=20, Integrations-DotNet=15, FineTuning=10, RAG-et-Memoire-Semantique=10, Vibe-Coding=8, 00-GenAI-Environment=6, CaseStudies=5, FallacyDetection=5, Security=5
-maturity: BETA=208, ALPHA=21, DRAFT=15, TEMPLATE=3
+pedagogical_count: 257
+breakdown: Texte=41, Audio=38, Plateformes-Conversationnelles=28, Video=22, Image=21, SemanticKernel=21, PostTraining=20, Integrations-DotNet=15, FineTuning=11, RAG-et-Memoire-Semantique=10, Vibe-Coding=8, 00-GenAI-Environment=6, Security=6, CaseStudies=5, FallacyDetection=5
+maturity: BETA=217, ALPHA=21, DRAFT=16, TEMPLATE=3
 -->

MyIA.AI.Notebooks/GenAI/SemanticKernel/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: GenAI-SemanticKernel
-pedagogical_count: 20
-breakdown: SemanticKernel=20
-maturity: BETA=15, TEMPLATE=3, DRAFT=2
+pedagogical_count: 21
+breakdown: SemanticKernel=21
+maturity: BETA=16, TEMPLATE=3, DRAFT=2
 -->
 
 [← Documentation GenAI](../README.md) | [↑ ..](../README.md) | [→ Génération de texte](../Texte/README.md)

MyIA.AI.Notebooks/GenAI/Texte/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: GenAI-Texte
-pedagogical_count: 34
-breakdown: Texte=34
-maturity: BETA=32, ALPHA=1, DRAFT=1
+pedagogical_count: 41
+breakdown: Texte=41
+maturity: BETA=38, DRAFT=2, ALPHA=1
 -->
 
 [← Documentation GenAI](../README.md) | [↑ ..](../README.md) | [→ Semantic Kernel](../SemanticKernel/README.md)

MyIA.AI.Notebooks/GenAI/Video/README.md

@@ -4,7 +4,7 @@
 series: GenAI-Video
 pedagogical_count: 22
 breakdown: Video=22
-maturity: BETA=18, ALPHA=4
+maturity: BETA=17, ALPHA=5
 -->
 
 [← Documentation GenAI](../README.md) | [↑ ..](../README.md) | [→ Audio Sync](../Audio/04-Applications/04-4-Audio-Video-Sync.ipynb)

MyIA.AI.Notebooks/IIT/ICT-Series/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: IIT-ICT-Series
-pedagogical_count: 84
-breakdown: ICT-Series=84
-maturity: BETA=72, DRAFT=11, ALPHA=1
+pedagogical_count: 87
+breakdown: ICT-Series=87
+maturity: BETA=74, DRAFT=12, ALPHA=1
 -->
 
 [← IIT](../README.md) | [↑ Notebooks](../../README.md) | [→ Probas](../../Probas/README.md)

MyIA.AI.Notebooks/IIT/README.md

@@ -497,7 +497,7 @@ Voir la licence du repository principal.
 
 <!-- CATALOG-STATUS
 series: IIT
-pedagogical_count: 90
-breakdown: ICT-Series=84, root=6
-maturity: BETA=78, DRAFT=11, ALPHA=1
+pedagogical_count: 93
+breakdown: ICT-Series=87, root=6
+maturity: BETA=80, DRAFT=12, ALPHA=1
 -->

MyIA.AI.Notebooks/ML/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: ML
-pedagogical_count: 120
-breakdown: DataScienceWithAgents=97, ML.Net=23
-maturity: BETA=110, ALPHA=6, DRAFT=4
+pedagogical_count: 126
+breakdown: DataScienceWithAgents=103, ML.Net=23
+maturity: BETA=114, ALPHA=7, DRAFT=5
 -->
 
 > **À propos des décomptes** : le marqueur `CATALOG-STATUS` ci-dessus est la **source de vérité autoritative** pour les volumes (notebooks par sous-série, maturité). Il est régénéré chaque nuit par le workflow [`catalog-cron.yml`](../../.github/workflows/catalog-cron.yml) à 03:37 UTC sur `main` (commit `[skip ci]` par `github-actions[bot]`). Si vous observez un décalage entre ce marqueur et une phrase en prose de ce README — par exemple si une sous-série a reçu de nouveaux notebooks mergés après la dernière régénération —, **fiez-vous au marqueur** ; la prose sera ré-alignée manuellement lors du prochain passage. Pour les **décomptes par kernel** (Python vs C#/.NET) au sein d'une sous-série, ce README reste autoritatif car la décomposition langagière par sous-série n'est pas dans le marqueur agrégé.

MyIA.AI.Notebooks/Probas/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: Probas
-pedagogical_count: 74
-breakdown: DecisionTheory=31, Infer=21, PyMC=19, Applications=3
-maturity: BETA=73, ALPHA=1
+pedagogical_count: 76
+breakdown: DecisionTheory=31, Infer=21, PyMC=20, Applications=4
+maturity: BETA=73, ALPHA=2, DRAFT=1
 -->
 
 > **À propos des décomptes** : le marqueur `CATALOG-STATUS` ci-dessus est la **source de vérité autoritative** pour les volumes (notebooks par sous-série, maturité). Il est régénéré chaque nuit par le workflow [`catalog-cron.yml`](../../.github/workflows/catalog-cron.yml) à 03:37 UTC sur `main` (commit par `github-actions[bot]`, livré par la PR permanente `chore/catalog-refresh-pending`). Pour les **décomptes par kernel** (C#/.NET vs Python vs Lean 4) au sein d'une sous-série — c'est-à-dire la répartition **technique** par interpréteur —, ce README reste autoritatif car la décomposition langagière par sous-série n'est pas dans le marqueur agrégé ; cette granularité est documentée ici par lecture directe des `metadata.kernelspec.language` des notebooks (`28 C# + 41 Python + 3 Lean 4 = 72 ✓` au 19/09/2026). Si vous observez un décalage entre ce marqueur et une phrase en prose de ce README, **fiez-vous au marqueur** ; la prose sera ré-alignée manuellement lors du prochain passage — sauf si le marqueur est lui-même en retard sur le disque (sa PR de régénération en attente de merge) : au 19/09/2026 c'est le cas, le marqueur affiche encore les comptes d'avant l'arrivée des notebooks DoWhy-3/4/5 (mergés les 12-14/09/2026) ; la prose ci-dessous est alors mesurée sur le disque et prend temporairement l'avance.

MyIA.AI.Notebooks/QuantConnect/Python/README.md

@@ -2,7 +2,7 @@
 series: QuantConnect-Python
 pedagogical_count: 60
 breakdown: Python=60
-maturity: DRAFT=32, BETA=20, ALPHA=8
+maturity: DRAFT=33, BETA=19, ALPHA=8
 -->
 
 # QuantConnect Python Notebooks

MyIA.AI.Notebooks/QuantConnect/README.md

@@ -4,7 +4,7 @@
 series: QuantConnect
 pedagogical_count: 115
 breakdown: Python=60, projects=49, ML-Training-Pipeline=4, kelly_lean=2
-maturity: BETA=65, DRAFT=37, ALPHA=12, TEMPLATE=1
+maturity: BETA=64, DRAFT=38, ALPHA=12, TEMPLATE=1
 -->
 
 > **Note éditoriale — counts kernels par sous-série** : Le marqueur CATALOG-STATUS agrégé ci-dessus reste **autoritatif** pour la décomposition par **sous-série** (Python / projects / ML-Training-Pipeline / kelly_lean). En revanche, pour les décomptes par **kernel** (Python vs Lean 4) **au sein** d'une sous-série — c'est-à-dire la répartition technique par interpréteur —, **ce README reste autoritatif** car la décomposition langagière par sous-série n'est pas dans le marqueur agrégé. Cette granularité est documentée ici par lecture directe des `metadata.kernelspec.language` des notebooks :

MyIA.AI.Notebooks/README.md

@@ -10,9 +10,9 @@ Le catalogue rassemble **plusieurs centaines de notebooks pédagogiques** répar
 
 <!-- CATALOG-STATUS
 series: ALL
-total: 1312
-breakdown: SymbolicAI=307, GenAI=247, Search=155, ML=120, QuantConnect=115, GameTheory=109, IIT=90, Probas=74, Sudoku=38, RL=36, Complexity=9, CaseStudies=6, NLP=5, cross-series=1
-maturity: BETA=1160, DRAFT=84, ALPHA=64, TEMPLATE=4
+total: 1340
+breakdown: SymbolicAI=312, GenAI=257, Search=156, ML=126, QuantConnect=115, GameTheory=109, IIT=93, Probas=76, Sudoku=38, RL=36, Complexity=9, CaseStudies=6, NLP=5, Compression=1, cross-series=1
+maturity: BETA=1179, DRAFT=89, ALPHA=68, TEMPLATE=4
 -->
 
 <sub>*Marqueur auto-régénéré quotidiennement par `.github/workflows/catalog-cron.yml` (file [`COURSE_CATALOG.generated.md`](../COURSE_CATALOG.generated.md) — source de vérité sur les volumes et la maturité). Toute PR qui modifierait ce bloc est signalée par `catalog-drift.yml` (read-only, catalog-pr-hygiene R1).*</sub>

MyIA.AI.Notebooks/RL/README.md

@@ -6,7 +6,7 @@
 series: RL
 pedagogical_count: 36
 breakdown: root=36
-maturity: BETA=31, ALPHA=3, DRAFT=2
+maturity: BETA=32, ALPHA=2, DRAFT=2
 -->
 
 > **Note éditoriale (counts)** : Le marqueur `CATALOG-STATUS` ci-dessus est autoritatif pour le compte agrégé (26 notebooks pédagogiques). Pour la **décomposition langagière par kernel** (`metadata.kernelspec.language`), ce README reste autoritatif car la granularité kernel n'est pas dans le marqueur agrégé ; elle est documentée ici par lecture directe des kernelspecs au 23/09/2026 :

MyIA.AI.Notebooks/Search/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: Search
-pedagogical_count: 155
-breakdown: Applications=59, Part1-Foundations=43, Part4-Metaheuristics=35, Part2-CSP=18
-maturity: BETA=141, ALPHA=9, DRAFT=5
+pedagogical_count: 156
+breakdown: Applications=59, Part1-Foundations=43, Part4-Metaheuristics=35, Part2-CSP=18, Discrepancy=1
+maturity: BETA=141, ALPHA=9, DRAFT=6
 -->
 
 [← Notebooks](../README.md) | [↑ ..](../README.md) | [→ SymbolicAI](../SymbolicAI/README.md)

MyIA.AI.Notebooks/SymbolicAI/Argument_Analysis/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: SymbolicAI-Argument_Analysis
-pedagogical_count: 36
-breakdown: Argument_Analysis=36
-maturity: BETA=34, ALPHA=1, DRAFT=1
+pedagogical_count: 32
+breakdown: Argument_Analysis=32
+maturity: BETA=30, ALPHA=1, DRAFT=1
 -->
 
 [← SmartContracts](../SmartContracts/README.md) | [↑ SymbolicAI](../README.md) | [SymbolicLearning →](../SymbolicLearning/README.md)

MyIA.AI.Notebooks/SymbolicAI/Lean/README.md

@@ -2,9 +2,9 @@
 
 <!-- CATALOG-STATUS
 series: SymbolicAI-Lean
-pedagogical_count: 71
-breakdown: Lean=71
-maturity: BETA=69, DRAFT=2
+pedagogical_count: 82
+breakdown: Lean=82
+maturity: BETA=79, DRAFT=2, ALPHA=1
 -->
 
 [← SemanticWeb](../SemanticWeb/README.md) | [↑ SymbolicAI](../README.md) | [Planners →](../Planners/README.md)

MyIA.AI.Notebooks/SymbolicAI/README.md

@@ -4,9 +4,9 @@
 
 <!-- CATALOG-STATUS
 series: SymbolicAI
-pedagogical_count: 307
-breakdown: Lean=71, SMT=46, Tweety=39, Argument_Analysis=36, SmartContracts=31, SemanticWeb=28, SymbolicLearning=26, Planners=25, Geometry=4, root=1
-maturity: BETA=296, ALPHA=7, DRAFT=4
+pedagogical_count: 312
+breakdown: Lean=82, SMT=47, Tweety=39, Argument_Analysis=32, SmartContracts=31, SemanticWeb=28, SymbolicLearning=27, Planners=25, root=1
+maturity: BETA=299, ALPHA=9, DRAFT=4
 -->
 
 L'intelligence artificielle n'est pas qu'apprentissage automatique et réseaux de neurones. Une grande partie de l'IA classique repose sur le **raisonnement symbolique** : représenter la connaissance sous forme de propositions, de règles et de structures logiques, puis dériver mécaniquement de nouvelles conclusions. C'est cette tradition — des systèmes experts des années 80 aux assistants de preuve modernes comme Lean 4 — que cette famille de séries explore.

MyIA.AI.Notebooks/SymbolicAI/SMT/README.md

@@ -1,8 +1,8 @@
 <!-- CATALOG-STATUS
 series: SymbolicAI-SMT
-pedagogical_count: 46
-breakdown: SMT=46
-maturity: BETA=45, DRAFT=1
+pedagogical_count: 47
+breakdown: SMT=47
+maturity: BETA=46, DRAFT=1
 -->
 
 # SMT - Satisfiability Modulo Theories

MyIA.AI.Notebooks/SymbolicAI/SemanticWeb/README.md

@@ -6,7 +6,7 @@
 series: SymbolicAI-SemanticWeb
 pedagogical_count: 28
 breakdown: SemanticWeb=28
-maturity: BETA=27, ALPHA=1
+maturity: BETA=26, ALPHA=2
 -->
 
 Le Web Sémantique est la promesse d'un Web où les machines comprennent la signification des données, pas seulement leur syntaxe. RDF, SPARQL, OWL, SHACL : ces standards du W3C définissent un langage commun pour décrire, interroger, valider et raisonner sur des graphes de connaissances. Cette série vous mène des fondations (.NET C# avec dotNetRDF) aux applications modernes (Python avec rdflib, pySHACL, GraphRAG), en passant par les ontologies, les données liées et les standards émergents (RDF 1.2, JSON-LD 1.1).

MyIA.AI.Notebooks/SymbolicAI/SymbolicLearning/README.md

@@ -4,9 +4,9 @@
 
 <!-- CATALOG-STATUS
 series: SymbolicAI-SymbolicLearning
-pedagogical_count: 26
-breakdown: SymbolicLearning=26
-maturity: BETA=24, ALPHA=2
+pedagogical_count: 27
+breakdown: SymbolicLearning=27
+maturity: BETA=25, ALPHA=2
 -->
 
 ## Présentation

docs/archive/reference/HEALTH_DASHBOARD.md

@@ -1,94 +1,97 @@
 # Tableau de santé du dépôt — snapshot dérivé du catalogue
 
-> Snapshot statique généré depuis `COURSE_CATALOG.generated.json` (date catalogue : **2026-09-27**).
+> Snapshot statique généré depuis `COURSE_CATALOG.generated.json` (date catalogue : **2026-10-02**).
 > Ce fichier **n'est pas maintenu à la main** : il est dérivé du catalogue (acceptance #4 de #4210).
 > Pour le régénérer : `python scripts/notebook_tools/generate_health_dashboard.py`.
 
-**1312** notebooks référencés au catalogue.
+**1340** notebooks référencés au catalogue.
 
 ## État global
 
 | Statut | Count | % |
 |--------|-------|---|
-| READY | 1111 | 84.7% |
-| DEMO | 198 | 15.1% |
-| BROKEN | 3 | 0.2% |
+| READY | 1137 | 84.9% |
+| DEMO | 201 | 15.0% |
+| BROKEN | 2 | 0.1% |
 
 ## Exigences d'environnement (badges)
 
 | Exigence | Notebooks concernés |
 |----------|---------------------|
-| **local** (exécutable sans GPU/cloud/WSL) | 809 |
-| WSL requis | 104 |
-| GPU requis | 173 |
+| **local** (exécutable sans GPU/cloud/WSL) | 814 |
+| WSL requis | 118 |
+| GPU requis | 180 |
 | Cloud requis (QC / GenAI Docker) | 119 |
-| API key requise | 189 |
+| API key requise | 191 |
 
 ## Distribution par série
 
 | Série | READY | DEMO | BROKEN | Total | % READY |
 |-------|-------|------|--------|-------|---------|
 | CaseStudies | 6 | 0 | 0 | 6 | 100% |
 | Complexity | 9 | 0 | 0 | 9 | 100% |
-| GameTheory | 107 | 1 | 1 | 109 | 98% |
-| GenAI | 124 | 121 | 2 | 247 | 50% |
-| IIT | 85 | 5 | 0 | 90 | 94% |
-| ML | 104 | 16 | 0 | 120 | 87% |
+| Compression | 1 | 0 | 0 | 1 | 100% |
+| GameTheory | 108 | 1 | 0 | 109 | 99% |
+| GenAI | 131 | 124 | 2 | 257 | 51% |
+| IIT | 88 | 5 | 0 | 93 | 95% |
+| ML | 108 | 18 | 0 | 126 | 86% |
 | NLP | 5 | 0 | 0 | 5 | 100% |
-| Probas | 74 | 0 | 0 | 74 | 100% |
+| Probas | 76 | 0 | 0 | 76 | 100% |
 | QuantConnect | 71 | 44 | 0 | 115 | 62% |
 | RL | 33 | 3 | 0 | 36 | 92% |
-| Search | 155 | 0 | 0 | 155 | 100% |
+| Search | 156 | 0 | 0 | 156 | 100% |
 | Sudoku | 37 | 1 | 0 | 38 | 97% |
-| SymbolicAI | 300 | 7 | 0 | 307 | 98% |
+| SymbolicAI | 307 | 5 | 0 | 312 | 98% |
 | cross-series | 1 | 0 | 0 | 1 | 100% |
 
 ## Kernels
 
 | Kernel | Count |
 |--------|-------|
-| Python 3 | 859 |
-| .NET (C#) | 264 |
-| Python 3 (ipykernel) | 48 |
-| Lean 4 (WSL) | 47 |
+| Python 3 | 879 |
+| .NET (C#) | 265 |
+| Python 3 (ipykernel) | 49 |
+| Lean 4 (WSL) | 48 |
 | Python (coursia-ml-training) | 17 |
-| Python 3 (coursia-ml-training) | 15 |
+| Python 3 (coursia-ml-training) | 17 |
 | coursia-ml-training | 12 |
-| Python 3 (WSL) | 7 |
+| Python 3 (WSL) | 6 |
 | Python 3 (PyPhi/IIT) | 6 |
 | Coursia ML Training | 3 |
 | unknown | 3 |
 | Lean 4 | 3 |
 | Python (GameTheory WSL + OpenSpiel) | 2 |
+| base | 2 |
 | Python 3 (coursia2) | 2 |
 | Python3 | 2 |
 | .venv | 2 |
 | Python 3 (venv projet) | 1 |
 | Lean (WSL) | 1 |
 | Python 3 (c820) | 1 |
-| Python (CoursIA-2 venv) | 1 |
+| .venv (3.12.14) | 1 |
 | Python (dia-tts) | 1 |
 | Python 3 (mert2-gpu) | 1 |
 | Python (sheetsage2-gpu) | 1 |
 | Python 3 (PyTorch) | 1 |
 | Python 3 (coursia-sae) | 1 |
 | pyphi | 1 |
+| Python 3.11 (coursia-drift) | 1 |
 | Lean 4 (WSL, percolation) | 1 |
 | Foundation-Py-Default | 1 |
 | .venv (3.14.3) | 1 |
-| Lean 4 (WSL, conway-build) | 1 |
 | Lean 4 (WSL, grothendieck-16200) | 1 |
+| Python 3.13.x (CPython canonique serie Lean) | 1 |
+| Lean 4 (WSL, conway-build) | 1 |
 | .venv (3.12.3) | 1 |
 | cours-ia | 1 |
 | Python 3 (SC-16 Concrete, WSL) | 1 |
 | Python 3 (smartcontracts) | 1 |
 | Python (difflogic-sl12) | 1 |
 
-## BROKEN (3 — à traiter en priorité)
+## BROKEN (2 — à traiter en priorité)
 
 | Série | Notebook | Maturité | Dernière validation |
 |-------|----------|----------|---------------------|
-| GameTheory | GameTheory-06g — Agents à budget explicite (companion Lean natif) | DRAFT | 2026-09-21 |
 | GenAI | Notebook de travail | TEMPLATE | 2026-07-30 |
 | GenAI | Notebook de travail | TEMPLATE | 2026-07-30 |