Fix(infer,#18556): tranche 2b/Glossaire — enoncés avant stubs, prose 3/sqrt(prec), glossaire mesuré

MyIA.AI.Notebooks/Probas/Infer/Infer-2b-Debugging-Bonnes-Pratiques.ipynb

@@ -34,7 +34,7 @@
     "\n",
     "## Navigation\n",
     "\n",
-    "| précédent | Suivant |\n",
+    "| Précédent | Suivant |\n",
     "|-----------|--------|\n",
     "| [Infer-2-Gaussian-Mixtures](Infer-2-Gaussian-Mixtures.ipynb) | [Infer-3-Factor-Graphs](Infer-3-Factor-Graphs.ipynb) |\n",
     "\n",
@@ -393,7 +393,7 @@
     "1. L'observation est déterministe (`ObservedValue`)\n",
     "2. Le prior est suffisamment large pour \"accepter\" cette valeur\n",
     "\n",
-    "> **règle pratique** : Si votre prior a une precision `prec`, alors les observations situees a plus de `3/sqrt(prec)` ecarts-types du centre auront un support quasi-nul. Avec `prec=1000`, cela represente environ `0.1` unites autour de la moyenne."
+    "> **règle pratique** : Si votre prior a une precision `prec`, alors les observations situees a plus de `3/sqrt(prec)` unites (soit 3 ecarts-types) du centre auront un support quasi-nul. Avec `prec=1000`, cela represente environ `0.1` unites autour de la moyenne."
    ]
   },
   {
@@ -1091,6 +1091,37 @@
     "> **Leçon de debugging** : face à un résultat EP surprenant, **augmentez `NumberOfIterations` et observez la trajectoire** plutôt que le seul point final. Une oscillation précoce qui se stabilise (EP ici) se distingue d'une divergence franche (valeurs NaN/Inf, ou croissance monotone non bornée). Le réflexe « EP = instable » est juste mais doit être **diagnostiqué, jamais présupposé** : sur modèle conjugué EP est impeccable (cf. §3 ci-dessus), sur modèle non-conjugué elle oscille mais converge si le modèle est bien posé. C'est cette nuance que la simple ligne de tableau ne pouvait pas capturer.\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "c3138f24",
+   "metadata": {
+    "papermill": {
+     "duration": 0.006957,
+     "end_time": "2026-06-06T14:50:44.751168+00:00",
+     "exception": false,
+     "start_time": "2026-06-06T14:50:44.744211+00:00",
+     "status": "completed"
+    },
+    "tags": []
+   },
+   "source": [
+    "## Exercice 1 : Diagnostic d'un modèle de melange gaussien\n",
+    "\n",
+    "**Objectif** : Identifiez et corrigez les problemes dans un modèle de melange gaussien a 2 composantes.\n",
+    "\n",
+    "**Contexte** : Un modèle de melange gaussien tente de separer des données issues de deux distributions distinctes, mais l'inference produit des résultats inattendus (moyennes identiques ou divergence).\n",
+    "\n",
+    "**étapes** :\n",
+    "1. Analysez le modèle fourni et identifiez au moins 2 problemes parmi : prior symetrique, algorithme mal adapte, observation hors-support\n",
+    "2. Corrigez chaque problème en vous basant sur les bonnes pratiques vues dans ce notebook\n",
+    "3. Comparez les résultats obtenus avec EP et VMP sur votre modèle corrige\n",
+    "\n",
+    "**Indices** :\n",
+    "- **Indice** 1 : Les composantes d'un melange doivent avoir des priors distincts pour eviter le label switching\n",
+    "- **Indice** 2 : Testez avec `engine.ShowProgress = true` pour observer la convergence\n",
+    "- **Indice** 3 : Utilisez `DiagnosticGaussian()` pour verifier la sante des posterieurs"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 8,
@@ -1145,37 +1176,6 @@
     "Console.WriteLine(\"Exercice a completer : diagnostiquer et corriger le melange gaussien\");"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "id": "c3138f24",
-   "metadata": {
-    "papermill": {
-     "duration": 0.006957,
-     "end_time": "2026-06-06T14:50:44.751168+00:00",
-     "exception": false,
-     "start_time": "2026-06-06T14:50:44.744211+00:00",
-     "status": "completed"
-    },
-    "tags": []
-   },
-   "source": [
-    "## Exercice 1 : Diagnostic d'un modèle de melange gaussien\n",
-    "\n",
-    "**Objectif** : Identifiez et corrigez les problemes dans un modèle de melange gaussien a 2 composantes.\n",
-    "\n",
-    "**Contexte** : Un modèle de melange gaussien tente de separer des données issues de deux distributions distinctes, mais l'inference produit des résultats inattendus (moyennes identiques ou divergence).\n",
-    "\n",
-    "**étapes** :\n",
-    "1. Analysez le modèle fourni et identifiez au moins 2 problemes parmi : prior symetrique, algorithme mal adapte, observation hors-support\n",
-    "2. Corrigez chaque problème en vous basant sur les bonnes pratiques vues dans ce notebook\n",
-    "3. Comparez les résultats obtenus avec EP et VMP sur votre modèle corrige\n",
-    "\n",
-    "**Indices** :\n",
-    "- **Indice** 1 : Les composantes d'un melange doivent avoir des priors distincts pour eviter le label switching\n",
-    "- **Indice** 2 : Testez avec `engine.ShowProgress = true` pour observer la convergence\n",
-    "- **Indice** 3 : Utilisez `DiagnosticGaussian()` pour verifier la sante des posterieurs"
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 9,
@@ -1737,6 +1737,34 @@
     "> La force de l'effet du prior depend du ratio entre les pseudo-observations du prior ($\\alpha + \\beta$) et les observations reelles (5 dans cet exemple)."
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "835a51ef",
+   "metadata": {
+    "papermill": {
+     "duration": 0.006704,
+     "end_time": "2026-06-06T14:50:47.315549+00:00",
+     "exception": false,
+     "start_time": "2026-06-06T14:50:47.308845+00:00",
+     "status": "completed"
+    },
+    "tags": []
+   },
+   "source": [
+    "### Exercice 2 : Impact du prior sur un diagnostic medical\n",
+    "\n",
+    "**Objectif** : Modeliser un test de depistage avec des priors différents et observer l'impact sur le diagnostic posterieur.\n",
+    "\n",
+    "**Contexte** : Un test medical a un taux de faux positifs de 5% et un taux de sensibilite de 90%. La prevalence de la maladie est de 1%. Vous observez un test positif. Quelle est la probabilite que le patient soit reellement malade ?\n",
+    "\n",
+    "**Indices** :\n",
+    "- **Indice** 1 : Modelisez la probabilite de maladie avec `Variable.Beta(alpha, beta)` ou `Variable.Bernoulli(prevalence)`\n",
+    "- **Indice** 2 : Testez avec `Beta(1, 99)` (prevalence 1%), puis `Beta(10, 90)` (prevalence 10%)\n",
+    "- **Étape** 1 : définir le modèle avec la probabilite de maladie comme variable latente\n",
+    "- **Étape** 2 : Ajouter la vraisemblance du test (sensibilite et taux de faux positifs)\n",
+    "- **Étape** 3 : Observer un test positif et calculer le posterieur pour différentes prevalences"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 13,
@@ -1772,34 +1800,6 @@
     "Console.WriteLine(\"Exercice a completer : test de depistage medical\");"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "id": "835a51ef",
-   "metadata": {
-    "papermill": {
-     "duration": 0.006704,
-     "end_time": "2026-06-06T14:50:47.315549+00:00",
-     "exception": false,
-     "start_time": "2026-06-06T14:50:47.308845+00:00",
-     "status": "completed"
-    },
-    "tags": []
-   },
-   "source": [
-    "### Exercice 2 : Impact du prior sur un diagnostic medical\n",
-    "\n",
-    "**Objectif** : Modeliser un test de depistage avec des priors différents et observer l'impact sur le diagnostic posterieur.\n",
-    "\n",
-    "**Contexte** : Un test medical a un taux de faux positifs de 5% et un taux de sensibilite de 90%. La prevalence de la maladie est de 1%. Vous observez un test positif. Quelle est la probabilite que le patient soit reellement malade ?\n",
-    "\n",
-    "**Indices** :\n",
-    "- **Indice** 1 : Modelisez la probabilite de maladie avec `Variable.Beta(alpha, beta)` ou `Variable.Bernoulli(prevalence)`\n",
-    "- **Indice** 2 : Testez avec `Beta(1, 99)` (prevalence 1%), puis `Beta(10, 90)` (prevalence 10%)\n",
-    "- **Étape** 1 : définir le modèle avec la probabilite de maladie comme variable latente\n",
-    "- **Étape** 2 : Ajouter la vraisemblance du test (sensibilite et taux de faux positifs)\n",
-    "- **Étape** 3 : Observer un test positif et calculer le posterieur pour différentes prevalences"
-   ]
-  },
   {
    "cell_type": "markdown",
    "id": "68678e15",

MyIA.AI.Notebooks/Probas/Infer/Infer-Glossary.md

@@ -9,8 +9,8 @@ Ce glossaire recapitule les termes techniques utilises dans la serie de notebook
 | Terme | Definition | Notebook(s) |
 |-------|------------|-------------|
 | **EP (Expectation Propagation)** | Algorithme d'inference approchee qui propage des messages gaussiens entre facteurs. Rapide mais peut diverger. | Tous |
-| **VMP (Variational Message Passing)** | Algorithme variationnel qui minimise la divergence KL. Plus stable que EP, mais sous-estime l'incertitude. | Infer-2, Infer-11 |
-| **Gibbs Sampling** | Methode MCMC qui echantillonne chaque variable conditionnellement aux autres. Exact asymptotiquement mais lent. | Infer-13 |
+| **VMP (Variational Message Passing)** | Algorithme variationnel qui minimise la divergence KL. Plus stable que EP, mais sous-estime l'incertitude. | Infer-1b, Infer-2, Infer-2b, Infer-10, Infer-11 |
+| **Gibbs Sampling** | Methode MCMC qui echantillonne chaque variable conditionnellement aux autres. Exact asymptotiquement mais lent. | Infer-1 |
 | **Message Passing** | Paradigme ou les distributions sont propagees entre variables via des "messages". | Infer-3, Infer-2b |
 
 ---
@@ -23,7 +23,7 @@ Ce glossaire recapitule les termes techniques utilises dans la serie de notebook
 | **Beta** | [0, 1] | alpha, beta | Prior sur probabilités |
 | **Gaussian** | R | mean, precision | Valeurs continues |
 | **TruncatedGaussian** | [a, b] | mean, variance, lower, upper | Valeurs contraintes |
-| **Gamma** | R+ | shape, scale | Prior sur precisions |
+| **Gamma** | R+ | shape, rate (`GammaFromShapeAndRate`) | Prior sur precisions |
 | **Dirichlet** | Simplex | alpha[] | Prior sur poids de mélange |
 | **Discrete** | {0, ..., K-1} | probs[] | Variables categoriques |
 

scripts/notebook_tools/twin_pairs.d/probas-2b-debugging/0018-2026-10-08-myia-po-2027-CoursIA.yaml

@@ -0,0 +1,6 @@
+date: '2026-10-08'
+by: myia-po-2027:CoursIA
+python_sha: bf93bf3fd1522445e6a1ecce8c5d8e65303aff6e
+csharp_sha: f6bb9db7c5fbcf8e6c640a3b360e7553586b5246
+content_python_sha: 1bbe48aeb3a65546ff1de2d0e001cf286fe1cb0082621919c196495c890704b9
+content_csharp_sha: ae4dfbaf07293ce9bcd1bffbdae79da1417be5c8e328215a44e119b298dae997