fix(17391): Lab15 -- les lectures ne nomment plus ce que l'artefact ne contient pas

MyIA.AI.Notebooks/ML/DataScienceWithAgents/Track2-GoogleADK/Day6-MLE-Star/Lab15-Kaggle-Challenge.ipynb

@@ -50,7 +50,7 @@
    "source": [
     "## 1. Configuration\n",
     "\n",
-    "**Pourquoi ce lab simule une compétition Kaggle plutôt que d'en utiliser une réelle** : une compétition Kaggle live impose un dataset volumineux, une cible mouvante (leaderboard) et un coût d'itération élevé — inadapté à un lab pédagogique. Le simulateur reproduit le **protocole** Kaggle (dataset tabulaire, métrique AUC, leaderboard simulé) sans la lourdeur, pour que l'agent MLE-STAR puisse tourner plusieurs cycles Understand→Search→Generate→Refine dans un temps de notebook. C'est l'écart entre apprendre la **méthode** (le workflow Kaggle gagnant) et apprendre sur un **cas** (une compétition précise) : le simulateur isole la méthode."
+    "**Pourquoi ce lab simule une compétition Kaggle plutôt que d'en utiliser une réelle** : une compétition Kaggle live impose un dataset volumineux, une cible mouvante (leaderboard) et un coût d'itération élevé — inadapté à un lab pédagogique. Le simulateur reproduit la **forme du problème** Kaggle (dataset tabulaire, métrique AUC-ROC, schéma de features fixé) sans la lourdeur : sa machinerie de compétition (deadline, leaderboard, découpe publique/privée) n'est pas implémentée, car elle n'apprend rien sur la méthode ; c'est ce qui permet à l'agent MLE-STAR de tourner plusieurs cycles Understand→Search→Generate→Refine dans un temps de notebook. C'est l'écart entre apprendre la **méthode** (le workflow Kaggle gagnant) et apprendre sur un **cas** (une compétition précise) : le simulateur isole la méthode."
    ]
   },
   {
@@ -167,7 +167,7 @@
    "source": [
     "## 2. Kaggle Competition Simulator\n",
     "\n",
-    "**Pourquoi un simulateur de compétition plutôt qu'un dataset nu** : la valeur pédagogique n'est pas le dataset lui-même mais le **protocole Kaggle** qu'il déclenche (deadline, métrique publique/privée, leaderboard, itérations). Le simulateur encode ce protocole dans un `@dataclass` qui expose les dimensions du problème (ici **300 lignes × 8 features** pour la Tabular Playground Series) sans révéler la cible — forçant l'agent à **explorer** avant de modéliser. Sans cette enveloppe de compétition, un notebook ML se réduit à `fit/predict` ; avec, il devient un cycle d'amélioration mesurable."
+    "**Pourquoi un simulateur de compétition plutôt qu'un dataset nu** : la valeur pédagogique n'est pas le dataset lui-même mais le **cadre de compétition** qu'il pose (une tâche nommée, une métrique officielle, un schéma de features, une cible à part). Le simulateur encode ce cadre dans un `@dataclass` qui expose les dimensions du problème (un jeu tabulaire synthétique du type Tabular Playground Series) sans révéler la cible — forçant l'agent à **explorer** avant de modéliser. Sans cette enveloppe de compétition, un notebook ML se réduit à `fit/predict` ; avec, il devient un cycle d'amélioration mesurable."
    ]
   },
   {
@@ -764,7 +764,7 @@
     "tags": []
    },
    "source": [
-    "**Lecture du code généré** — l'agent MLE-STAR a produit un pipeline complet pour la Tabular Playground Series : chargement pandas, `train_test_split`, **RandomForestClassifier** + **XGBClassifier**, métrique **`roc_auc_score`**. Le code reflète directement les modèles SOTA recommandés à l'étape précédente (RandomForest/XGBoost/LightGBM, output ec=8).\n",
+    "**Lecture du code généré** — l'agent MLE-STAR a produit un pipeline complet pour la Tabular Playground Series : chargement pandas, `train_test_split`, **one-hot** des colonnes catégorielles et un **`XGBClassifier`** avec early stopping, évalué par **`roc_auc_score`**. Le code reflète directement les modèles SOTA recommandés à l'étape précédente (RandomForest/XGBoost/LightGBM, output ec=8).\n",
     "\n",
     "**Ce que cet output démontre sur le pipeline** : la génération de code n'est pas isolée — elle est la **conséquence** des étapes Understand (nature tabulaire) et Models (choix SOTA). L'agent a dérivé `roc_auc_score` du type de compétition (classification binaire, métrique standard Kaggle) sans qu'on le lui dicite. C'est la valeur ajoutée de la séquence MLE-STAR sur un appel LLM unique : chaque étape contraint la suivante, produisant un code **cohérent avec le contexte** plutôt qu'un snippet générique."
    ]