fix(prose-counts,#17636): ML g8-ml-1 — retrait des mesures d'artefact en prose markdown (5 carnets, 9 gestes)

MyIA.AI.Notebooks/ML/DataScienceWithAgents/01-PythonForDataScience/notebooks/1.2-Manipulation_de_Donnees_avec_NumPy.ipynb

@@ -59,7 +59,7 @@
     "| 7 | Réductions + axis | `sum`, `mean`, `std` par axe | \"Quelle dimension ma réduction écrase-t-elle ?\" |\n",
     "| 8 | Reproductibilité | `default_rng(seed)` | \"Comment rendre un tirage aléatoire reproductible ?\" |\n",
     "\n",
-    "**Coût total** : < 5 secondes (imports + 18 cellules code, dont une boucle de\n",
+    "**Coût total** : < 5 secondes (imports + une boucle de\n",
     "1M éléments mesurée contre sa version vectorisée).\n",
     "\n",
     "**Concepts clés** : `ndarray`, vectorisation, broadcasting, indexation avancée,\n",

MyIA.AI.Notebooks/ML/DataScienceWithAgents/02-ML-Cours/2.3b-Naive-Bayes-Generatif.ipynb

@@ -197,7 +197,7 @@
    "source": [
     "### Lecture — la vérification vaut preuve\n",
     "\n",
-    "Le from-scratch et `sklearn` donnent la **même précision** (0.925) et **exactement les mêmes prédictions** (les classes coïncident bit à bit). Les moyennes de classe apprises sont identiques : sur la classe 1, chaque dimension est décalée de **l'ordre de +1** par rapport à la classe 0 — précisément le `+1.2` imposé à la génération, les moyennes échantillonnées s'en écartant légèrement (`[1.26, 0.91, 1.16]` sur les trois premières valeurs). Le code de 10 lignes **reproduit** la lib de référence, sur les mêmes données : la série gagne la même exigence de preuve que le reste du catalogue."
+    "Le from-scratch et `sklearn` donnent la **même précision** (0.925) et **exactement les mêmes prédictions** (les classes coïncident bit à bit). Les moyennes de classe apprises sont identiques : sur la classe 1, chaque dimension est décalée de **l'ordre de +1** par rapport à la classe 0 — précisément le `+1.2` imposé à la génération, les moyennes échantillonnées s'en écartant légèrement (`[1.26, 0.91, 1.16]` sur les trois premières valeurs). Le code **reproduit** la lib de référence, sur les mêmes données : la série gagne la même exigence de preuve que le reste du catalogue."
    ]
   },
   {

MyIA.AI.Notebooks/ML/DataScienceWithAgents/02-ML-Cours/2.7c-SVM-SOTA-Comparison.ipynb

@@ -304,7 +304,7 @@
    "source": [
     "## 3. Reconstruire le dual que `SVC` ne rend pas\n",
     "\n",
-    "`SVC` n'expose pas le vecteur `alpha` complet — il rend `dual_coef_` (les `y_i · α_i` **des seuls supports**, concaténés) et `support_` (leurs indices dans le train). Le dual complet se reconstruit en deux lignes : `alpha` nul hors supports, `|dual_coef_|` sur les supports. Avec lui, tous les instruments de 2.7b section 10 se pointent sur LIBSVM :\n",
+    "`SVC` n'expose pas le vecteur `alpha` complet — il rend `dual_coef_` (les `y_i · α_i` **des seuls supports**, concaténés) et `support_` (leurs indices dans le train). Le dual complet se reconstruit : `alpha` nul hors supports, `|dual_coef_|` sur les supports. Avec lui, tous les instruments de 2.7b section 10 se pointent sur LIBSVM :\n",
     "\n",
     "- `||w||²` reconstruit depuis le dual : `Σ_ij (y_i α_i)(y_j α_j) K(x_i, x_j)` ;\n",
     "- objectif dual `D(α) = Σ α_i − ½ ||w||²` ;\n",
@@ -850,7 +850,7 @@
    "source": [
     "## Conclusion\n",
     "\n",
-    "Le geste SOTA tient en deux lignes et trois ordres de grandeur de temps gagnés, mais ce notebook a surtout montré que **la boîte noire s'ouvre** : le dual complet se reconstruit depuis `dual_coef_`, le gap de dualité et les violations KKT se mesurent sur LIBSVM exactement comme sur la SMO maison, et la tolérance d'arrêt est un contrat explicite — pas une promesse d'optimalité exacte. Les deux solveurs rendent le même classifieur au `tol` près : c'est la définition opérationnelle d'un problème bien posé.\n",
+    "Le geste SOTA vaut trois ordres de grandeur de temps gagnés, mais ce notebook a surtout montré que **la boîte noire s'ouvre** : le dual complet se reconstruit depuis `dual_coef_`, le gap de dualité et les violations KKT se mesurent sur LIBSVM exactement comme sur la SMO maison, et la tolérance d'arrêt est un contrat explicite — pas une promesse d'optimalité exacte. Les deux solveurs rendent le même classifieur au `tol` près : c'est la définition opérationnelle d'un problème bien posé.\n",
     "\n",
     "**Couverture de l'EPIC optimisation convexe** ([#16061](https://github.com/jsboige/CoursIA/issues/16061)) : ce notebook couvre le **bloc B.5** (SVM-SOTA). Les blocs **B.6** (Lasso-SOTA : `sklearn.linear_model` coordinate descent, CV du λ) et **B.7** (CVXPY déclaratif, solvers ECOS/SCS) sont couverts par [2.11b — Proximal Operators from scratch](2.11b-Proximal-Operators-From-Scratch.ipynb), qui confronte ISTA/FISTA aux implémentations scikit-learn et à `cvxpy` sur le même problème Lasso. Les blocs A.1 (SMO) et A.3 (proximal) sont livrés par [2.7b](2.7b-SMO-From-Scratch.ipynb) et 2.11b ; le bloc A.2 (ADMM) reste ouvert.\n",
     "\n",

MyIA.AI.Notebooks/ML/DataScienceWithAgents/03-DeepLearning/3.9g-Compression-Comparatif-A-vs-B.ipynb

@@ -910,8 +910,8 @@
     "quantification dynamique ne touche que la tête Linear (640 poids, 0,2 % du modèle) sur\n",
     "un réseau dominé par les convolutions. La version manuelle fait exactement ce qu'elle\n",
     "annonce — **sur un périmètre qui ne pèse rien sur ce modèle**. Sa valeur est ailleurs :\n",
-    "25 lignes où le scale, l'offset, l'arrondi et le clamp sont **lisibles**, contre\n",
-    "1 ligne d'API opaque."
+    "un code où le scale, l'offset, l'arrondi et le clamp sont **lisibles**, contre\n",
+    "une API opaque."
    ]
   },
   {
@@ -1426,14 +1426,14 @@
     "réellement les octets (x2,0) sans rien perdre.\n",
     "\n",
     "**2. La vraie différence A-vs-B n'est pas l'outillage, c'est la politique.** INT8 : les\n",
-    "deux implémentations convergent à ±0,02 (représentation équivalente, 25 LOC contre 1).\n",
+    "deux implémentations convergent à ±0,02 (représentation équivalente).\n",
     "Pruning : 5,96 points séparent les lignes — mais ils viennent de l'allocation (par\n",
     "couche vs globale), pas de l'API. Le SOTA vaut par ses **defaults plus malins** et ses\n",
     "noyaux quand son périmètre atteint les poids qui comptent (FX statique, 3.9e : x4,0 en\n",
     "taille et latence CPU 21,4 → 12,1 ms).\n",
     "\n",
-    "**3. Pourquoi le from scratch, quand le SOTA.** Les 25 lignes du `LinearInt8Manuel` et\n",
-    "les 14 du pruneur manuel rendent scale, offset, arrondi, masque **lisibles et\n",
+    "**3. Pourquoi le from scratch, quand le SOTA.** Le `LinearInt8Manuel` et\n",
+    "le pruneur manuel rendent scale, offset, arrondi, masque **lisibles et\n",
     "vérifiables** — ce qu'aucun appel d'API n'enseigne. Le SOTA devient le bon outil des que\n",
     "le périmètre est large (CNN complet : FX), la cible est la production (edge, export), ou\n",
     "que la politique d'allocation embarquée (globale) est celle qu'on veut. La distillation\n",

MyIA.AI.Notebooks/ML/DataScienceWithAgents/04-Vision/4.2g-Detection-SOTA-Ultralytics.ipynb

@@ -1162,7 +1162,7 @@
     "\n",
     "*(lire le tableau final §6, il porte la conclusion)*\n",
     "\n",
-    "- **Le wrapper avale le code** : quelques dizaines de lignes effectives ici contre ~400 au 4.2c pour le même terrain — boucle d'entraînement, augmentation, NMS, validation : c'est le contrat `ultralytics`, et il est tenu. Quatre modèles = deux lignes de code supplémentaires, pas 400.\n",
+    "- **Le wrapper avale le code** : boucle d'entraînement, augmentation, NMS, validation : c'est le contrat `ultralytics`, et il est tenu. Quatre modèles = un surcoût de code négligeable.\n",
     "- **La performance est celle d'un petit modèle très bien optimise** : les YOLO sont conçus pour le temps réel embarque — le nano n'a pas la profondeur des ResNet50 du 4.2f, mais son rapport latence/précision est son terrain d'élection. Le v5nu et le v8s montrent que **la marge dans la même famille** est plus grande qu'on ne le croit (8x les params entre nano et small).\n",
     "- **Le prix : le format et la boite noire** — données sur disque dans un format impose, hyperparamètres par defaut enfouis, metrique auto-rapportee a protocole interne (exercice 3). Le 4.2c existe precisement pour qu'aucune de ces cases noires ne soit magique.\n",
     "- **Le choix est mesure, pas dogmatique** : comprendre (4.2c), finetuner fin (4.2f), deployer vite (4.2g en 4 modèles) — trois etages, un même terrain, un tableau."
@@ -1212,7 +1212,7 @@
     "\n",
     "- **Dans la même famille, YOLOv5nu voisine YOLO11n** (memes ordres de params, mAP au même palier) — la migration ultralytics v8.4 a nivelé les recettes. **YOLOv8s gagne la course** sur ce terrain (mAP + quelques points, ~4x les params) — c'est la profondeur du petit modele, pas la recette. La courbe nano < small du §6 est tenue.\n",
     "\n",
-    "- **Le wrapper est un choix d'ingenierie, pas un raccourci intellectuel** : les ~400 lignes du from scratch du 4.2c achetent la comprehension ; les trois lignes de `model.train(...)` achetent la vitesse de mise en production. La serie refuse de choisir a ta place — elle chiffré les deux.\n",
+    "- **Le wrapper est un choix d'ingenierie, pas un raccourci intellectuel** : le from scratch du 4.2c achète la comprehension ; l'appel à `model.train(...)` achète la vitesse de mise en production. La serie refuse de choisir a ta place — elle chiffré les deux.\n",
     "\n",
     "- **Le protocole maison reste la règle d'or** : jamais évaluer un modèle uniquement au metre auto-rapporte de son framework — l'exercice 3 montre ou vivent les ecarts.\n",
     "\n",