fix(notebooks,#15719): sweep tables g5-residu -- 6 fichiers 0 finding, 2 NOOP justifies (prose)

MyIA.AI.Notebooks/Complexity/Complexity-07-KolmogorovBornee-Sequences-Python.ipynb

@@ -89,10 +89,10 @@
     "\n",
     "| Terme | Longueur |\n",
     "|---|---|\n",
-    "| numérale c | nombre de chiffres de c, **zéros traînants ignorés** (`|10| = 1`, `|250| = 2`) |\n",
+    "| numérale c | nombre de chiffres de c, **zéros traînants ignorés** (`\\|10\\| = 1`, `\\|250\\| = 2`) |\n",
     "| `n` | 1 |\n",
     "| `f(n−c)` | 1 |\n",
-    "| `t1 ⋆ t2` | `|t1| + |t2| + 1` |\n",
+    "| `t1 ⋆ t2` | `\\|t1\\| + \\|t2\\| + 1` |\n",
     "\n",
     "Un terme **décrit** la séquence `a0 … a(l−1)` si, en notant b le plus grand regard en arrière du terme : `b < l/2` (les cas de base restent minoritaires — règle du papier) et `t(i) = a_i` pour tout `i ≥ b`. Le terme **prédit** alors `t(l)`.\n",
     "\n",

MyIA.AI.Notebooks/ML/DataScienceWithAgents/02-ML-Cours/2.5d-Derive-Distribution-Deploiement.ipynb

@@ -156,10 +156,10 @@
     "## 2. Trois dérives, trois mondes de déploiement\n",
     "\n",
     "| Dérive | Ce qui change | Ce qui reste | Se corrige ? |\n",
-    "|---|---|---|---|---|\n",
-    "| **Covariable (covariate shift)** | `P(x)` | `P(y|x)` | oui, par pondération d'importance |\n",
-    "| **Étiquette (label shift)** | `P(y)` | `P(x|y)` | oui, par BBSE |\n",
-    "| **Concept (concept drift)** | `P(y|x)` | `P(x)` | **non, sans nouvelles étiquettes** |\n",
+    "|---|---|---|---|\n",
+    "| **Covariable (covariate shift)** | `P(x)` | `P(y\\|x)` | oui, par pondération d'importance |\n",
+    "| **Étiquette (label shift)** | `P(y)` | `P(x\\|y)` | oui, par BBSE |\n",
+    "| **Concept (concept drift)** | `P(y\\|x)` | `P(x)` | **non, sans nouvelles étiquettes** |\n",
     "\n",
     "Chaque monde de déploiement `W_dep_k` est construit à partir du même générateur, une seule composante modifiée à la fois. Pour chaque dérive : ce que la CV annonce (score en validation sur `W_train`) contre ce que le déploiement produit (score sur `W_dep_k`).\n"
    ]

MyIA.AI.Notebooks/ML/DataScienceWithAgents/02-ML-Cours/README.md

@@ -53,7 +53,7 @@ La thèse est volontairement classique : on ne peut évaluer ce qu'un agent gén
 | [2.12-Donnees-Desequilibrees](2.12-Donnees-Desequilibrees.ipynb) | *Classes déséquilibrées* — la métrique qui ment (accuracy vs PR), stratégies de rééchantillonnage, seuillage par coût | **La courbe PR dit la vérité** : sur une classe à ~3 %, la ROC flatte, seule l'average precision rend l'arbitrage visible | synthétique `make_classification` (~3 % positifs) |
 | [2.13-Analyse-Erreurs](2.13-Analyse-Erreurs.ipynb) | Le geste du praticien : diagnostiquer un modèle entraîné (tranches, worst-k, plan d'action) | **La poche invisible** : 67.6% d'erreur sur ~5% de la population, cachée dans un score global correct (82.2%) | synthétique télécom (churn, incident d'étiquetage) |
 | [2.14-Explicabilite-SHAP-LIME-Contrefactuels](2.14-Explicabilite-SHAP-LIME-Contrefactuels.ipynb) | Expliquer une décision individuelle : SHAP (arbre + kernel), LIME, contrefactuels DiCE — et leurs limites communes | **Additivité exacte vs récits instables** : Tree SHAP se vérifie à 1e-16, LIME varie de seed en seed (σ jusqu'à 0.035), le contrefactuel est un autre récit | réel German Credit (credit-g, 1000×21, CSV vendé) |
-| [2.14b-XAI-Shap-Attribution-Causal-Bridge](2.14b-XAI-Shap-Attribution-Causal-Bridge.ipynb) | *Pont attribution ↔ causalité* — Kernel SHAP marginal contre Tree SHAP conditionnel sur un DAG explicite (`age -> credit_amount -> default`), sur l'individu idx=773 ; puis LIME, DiCE et un contrefactuel `age=42` | **L'attribution reste une fonction du background dataset** : écarts marginal/conditionnel en valeur absolue mais même signe des contributions ; l'additivité se vérifie (base + somme φ = 0.9400 vs P(default|x) = 0.940) ; un contrefactuel (`age=42`, f(x') = 0.7200) n'est **pas** une intervention `do(.)` — l'exercice 3 (les distinguer) reste à compléter | DAG simulé (2 features, 1000 individus) |
+| [2.14b-XAI-Shap-Attribution-Causal-Bridge](2.14b-XAI-Shap-Attribution-Causal-Bridge.ipynb) | *Pont attribution ↔ causalité* — Kernel SHAP marginal contre Tree SHAP conditionnel sur un DAG explicite (`age -> credit_amount -> default`), sur l'individu idx=773 ; puis LIME, DiCE et un contrefactuel `age=42` | **L'attribution reste une fonction du background dataset** : écarts marginal/conditionnel en valeur absolue mais même signe des contributions ; l'additivité se vérifie (base + somme φ = 0.9400 vs P(default\|x) = 0.940) ; un contrefactuel (`age=42`, f(x') = 0.7200) n'est **pas** une intervention `do(.)` — l'exercice 3 (les distinguer) reste à compléter | DAG simulé (2 features, 1000 individus) |
 | [2.15-Donnee-Comme-Responsabilite-Python](2.15-Donnee-Comme-Responsabilite-Python.ipynb) | *La donnée comme responsabilité* — inférence d'appartenance (MIA) menée pour de vrai, confidentialité différentielle : mécanisme de Laplace, DP-SGD écrit à la main puis confronté au SOTA diffprivlib (IBM), datasheet et model card | **La protection se mesure, elle ne se déclare pas** : la forêt qui mémorise laisse fuir ses données (avantage d'attaque +0.439, AUC 0.719) quand la régression régularisée, qui généralise, retombe à +0.057 ; face à diffprivlib, le DP-SGD maison est « cohérent en tendance, divergent en ampleur » | réel `load_breast_cancer` |
 
 > **Épilogue — au-delà du socle scikit-learn.** Les huit chapitres ci-dessus posent le socle canonique. Le notebook [2.9](2.9-Grokking-Generalisation.ipynb) fait un pas de côté vers le **deep learning** : il entraîne le premier réseau de neurones de la série (PyTorch, quelques minutes sur CPU) pour montrer le **grokking** — la généralisation qui surgit longtemps *après* la mémorisation parfaite, un phénomène que la borne PAC (2.8) ne laissait pas prévoir — et réutilise l'ACP du 2.6 pour révéler la structure apprise. Il joue le rôle d'**amorce** : le traitement canonique — montage réécrit en NumPy pur (gradient à la main), contre-témoin isolant le weight-decay, double descente — est le [3.5 — Phénomènes de généralisation](../03-DeepLearning/3.5-Phenomenes-de-Generalisation.ipynb) de la série Deep Learning, dont les exercices portent les leviers classiques (weight-decay, seuil de données) ; ceux du 2.9 lui sont propres (horloge, modulus, dimension d'embedding). Son accrétion [2.9b](2.9b-GenEFT-Theorie-Effective.ipynb) apporte la contrepartie théorique — **GenEFT**, la théorie effective de la généralisation : la longueur en bits de la relation fixe la **fraction critique** de données, et la dynamique encodeur/décodeur (les « repons », leur quantité conservée) prédit une **frontière arctan** entre mémorisation et généralisation qui ne dépend que du ratio des learning rates — le grokking devient un régime calculable. Son accrétion [2.9c](2.9c-Grokking-Diagrammes-Phases.ipynb) fait la **cartographie** : les quatre phases de l'apprentissage définies par la théorie effective de R02 (Liu, Michaud & Tegmark 2022) — compréhension, grokking, mémorisation, confusion — mesurées sur un toy à decoder appris multi-seed (le grokking y apparaît comme une **zone frontière** entre compréhension et mémorisation, pas un régime à rechercher), confirmées sur MNIST (App J), puis relues par le **ticket de loterie aux axes** (App K) — où le ticket se révèle **forgé par l'entraînement** plutôt qu'hérité de l'initialisation.

MyIA.AI.Notebooks/SymbolicAI/Argument_Analysis/Argumentation-Onto-01-AIF-OWL2-Python.ipynb

@@ -623,6 +623,7 @@
    },
    "source": [
     "**Guide — les deux variantes post-traitées du traitement par Argumentum.** Le stub code `c.13` ne produit aucune carte : la mindmap de référence est **exportée par le sous-module [`ArgumentumGames/Argumentum`](https://github.com/ArgumentumGames/Argumentum) (sous-module épinglé)** au pin du 04/10 (`6bc573f`, incluant la de-curation `9e765e4b`). Le dépôt upstream produit **deux variantes HTML interactives** de la même carte, à choisir selon le contexte d'usage :\n",
+    "\n",
     "| Variante | Chemin submodule | Mode d'intégration | Idéal pour |\n",
     "|---|---|---|---|\n",
     "| `Fallacies_cards_fr.html` (included) | `Cards/Fallacies/Mindmaps/fr/Fallacies_cards_fr.html` | SVG inline + `svg-pan-zoom` + Hammer pinch | Notebook Jupyter local |\n",

MyIA.AI.Notebooks/SymbolicAI/Lean/Lean-12c-Tensor-Product-Representations-Lean.ipynb

@@ -496,7 +496,7 @@
     "| `tprSuperpos` | une matrice `p × q`, somme des bindings | définition |\n",
     "| `RoleFamily` | une `Prop` : $r_i \\cdot r_j = 1$ si $i = j$, $0$ sinon | **hypothèse** d'indépendance |\n",
     "| `tprReadout` | un vecteur `Fin k → ℝ` : `A *ᵥ (tprUnbind T r) + b` | **hypothèse** de décodeur affine |\n",
-    "| `TprApproxEntrywise` | une `Prop` : $\\forall i\\, j,\\ |S_{ij} - T_{ij}| \\le \\epsilon$ | **hypothèse** d'approximation |\n",
+    "| `TprApproxEntrywise` | une `Prop` : $\\forall i\\, j,\\ \\vert S_{ij} - T_{ij} \\vert \\le \\epsilon$ | **hypothèse** d'approximation |\n",
     "\n",
     "**Points clés** :\n",
     "\n",
@@ -2066,7 +2066,7 @@
     "| `tprUnbind_superpos` | la lecture au rôle `j` rend exactement `fs j` | `RoleFamily rs` |\n",
     "| `tprSurgery` | remplacer le binding de `j` par `f'` puis relire rend exactement `f'` | `RoleFamily rs` |\n",
     "| `tprSurgery_readout` | l'effet sur la sortie affine est exactement `A.mulVec (f' - fs j)` (rendu kernel, notation `*ᵥ` dans le source) | `RoleFamily rs` + décodeur affine |\n",
-    "| `tprUnbind_approx` | erreur de lecture bornée par `ε * ∑ |r j|` | `TprApproxEntrywise S T ε` |\n",
+    "| `tprUnbind_approx` | erreur de lecture bornée par `ε * ∑ \\|r j\\|` | `TprApproxEntrywise S T ε` |\n",
     "\n",
     "**Enseignements** :\n",
     "\n",

MyIA.AI.Notebooks/SymbolicAI/SymbolicLearning/SL-1b-LogicalLearning-Lean-Native.ipynb

@@ -2010,7 +2010,7 @@
     "| `EffectiveTheory.CircleOfDays` | Engels, Liao & Tegmark (R10) | le « cercle des jours » du LLM est la représentation **irréductible** 2D de `C₇` |\n",
     "| `EffectiveTheory.Grokking` | Liu, Michaud & Tegmark (R02) | parallélogrammes des embeddings et lois de conservation (App. F) |\n",
     "| `EffectiveTheory.GrokkingLemmas` | Liu, Michaud & Tegmark (R02) | conservation de `C = Σ E k` et hyperplan centré invariant |\n",
-    "| `EffectiveTheory.InfoBits` | Baek, Liu & Tegmark (R06) | contenu informationnel `b = log₂(n!/|Aut G|)` par orbit-stabilizer |\n",
+    "| `EffectiveTheory.InfoBits` | Baek, Liu & Tegmark (R06) | contenu informationnel `b = log₂(n!/\\|Aut G\\|)` par orbit-stabilizer |\n",
     "| `EffectiveTheory.Repons` | Baek, Liu & Tegmark (R06) | clustering par classe et quantité hyperbolique conservée |\n",
     "\n",
     "Ces modules étaient jusqu'ici **dans l'ombre** du dépôt : leurs preuves étaient vérifiées\n",