fix(readme,#18911): serie ML/DataScienceWithAgents — 218 liens .ipynb -> .html

MyIA.AI.Notebooks/ML/DataScienceWithAgents/01-PythonForDataScience/README.md

@@ -12,10 +12,10 @@ Avant d'orchestrer des agents LLM qui *écrivent* du code data science (labs Lan
 
 | Notebook | Contenu | Durée |
 |----------|---------|-------|
-| [1.2-NumPy](notebooks/1.2-Manipulation_de_Donnees_avec_NumPy.ipynb) | `ndarray`, vectorisation (timing vs boucle), broadcasting, indexation/masques booléens, `axis`, `default_rng(seed)` | ~60-75 min |
-| [1.3-Pandas](notebooks/1.3-Analyse_de_Donnees_avec_Pandas.ipynb) | `DataFrame`, sélection de colonnes, filtrage booléen, `merge`/`join` (4 `how=`), données manquantes (`isna`/`fillna`/`dropna`), séries temporelles (`to_datetime`, `.dt`, `resample`), `read_csv` réel | ~45 min |
+| [1.2-NumPy](notebooks/1.2-Manipulation_de_Donnees_avec_NumPy.html) | `ndarray`, vectorisation (timing vs boucle), broadcasting, indexation/masques booléens, `axis`, `default_rng(seed)` | ~60-75 min |
+| [1.3-Pandas](notebooks/1.3-Analyse_de_Donnees_avec_Pandas.html) | `DataFrame`, sélection de colonnes, filtrage booléen, `merge`/`join` (4 `how=`), données manquantes (`isna`/`fillna`/`dropna`), séries temporelles (`to_datetime`, `.dt`, `resample`), `read_csv` réel | ~45 min |
 
-> **Numérotation.** La série commence à `1.2` car le `1.1` d'introduction est couvert par le [README parent](../README.md). La continuité logique est `1.2` (NumPy) → `1.3` (Pandas) → [Lab 1](../Track1-LangChain/Day1-Foundations/Labs/Lab1-PythonForDataScience.ipynb) (mise en pratique sur ventes synthétiques) → [02-ML-Cours 2.1](../02-ML-Cours/2.1-Workflow-ML.ipynb).
+> **Numérotation.** La série commence à `1.2` car le `1.1` d'introduction est couvert par le [README parent](../README.md). La continuité logique est `1.2` (NumPy) → `1.3` (Pandas) → [Lab 1](../Track1-LangChain/Day1-Foundations/Labs/Lab1-PythonForDataScience.html) (mise en pratique sur ventes synthétiques) → [02-ML-Cours 2.1](../02-ML-Cours/2.1-Workflow-ML.html).
 
 ## Objectifs d'apprentissage
 

MyIA.AI.Notebooks/ML/DataScienceWithAgents/04b-Wavelet-Scattering/README.md

@@ -8,12 +8,12 @@ Série sur l'analyse multi-résolution : la transformée en ondelettes réimplé
 
 | Notebook | Sujet | Concept-phare |
 |----------|-------|---------------|
-| [WS-00a-Ondelettes-1D-from-scratch](WS-00a-Ondelettes-1D-from-scratch.ipynb) | DWT orthonormale à la main (Haar, D4 par formes closes, db4 par constantes publiées), synthèse écrite comme adjoint exact, validation croisée coefficient par coefficient contre PyWavelets, profil d'énergie par échelle, débruitage par seuillage dur/doux (seuil universel MAD, sans oracle) contre passe-bas Fourier (trois cutoffs, avec oracle) sur le banc canonique Donoho-Johnstone | **Aucune base n'est universellement parcimonieuse** : l'ondelette gagne le chirp (+4,5 dB sans oracle), Fourier gagne le stationnaire (+4,8 dB avec oracle), le mixte est serré |
-| [WS-00b-Ondelettes-2D-from-scratch](WS-00b-Ondelettes-2D-from-scratch.ipynb) | Transformée 2D séparable construite comme produit tensoriel du moteur 1D de WS-00a, pyramide de Mallat multi-niveaux, contrôle d'orientation sur motifs à orientation connue (marches verticale/horizontale/diagonale + constante en contrôle négatif), reconstruction parfaite et validation croisée `allclose` bande par bande contre PyWavelets, duel de compression à budget de coefficients apparié contre une DCT 8×8 | **Le pouvoir de parcimonie est conditionnel au budget** : db4 écrase la DCT 8×8 de +16,4 dB à 0,2 % de coefficients retenus, mais l'écart tombe à ~0,2 dB (indiscernable) dès 5 % — l'avantage de la base multi-échelle s'évapore quand on peut se permettre plus de coefficients |
-| [WS-00c-Scattering-from-scratch](WS-00c-Scattering-from-scratch.ipynb) | Transformée de scattering 2D from scratch : banc de morlets analytiques en forme close spectrale (pic unique, correction d'admissibilité, norme L²), cascade S0/S1/S2 en une passe pleine résolution, invariance L² par translation mesurée contre pixels et descripteur sans module, sélectivité d'orientation sur les marches de WS-00b, triple validation croisée contre kymatio (traduction du pipeline à filtres injectés = `allclose` rtol=1e-4 ; écart de l'écriture pleine résolution concentré sur S2 ; régime d'invariance commun à deux calibrages indépendants), classification Fashion-MNIST bornée avec test translaté ±2 px | **Le module rend la moyenne invariante** : l'écart par translation plafonne (0,73 à 8 px) là où pixels (1,14) et coefficients sans module (1,07) croissent sans borne — et à 600 images d'entraînement, le scattering complet tient 0,765 de précision sur test translaté quand les pixels s'effondrent de 0,790 à 0,425 |
-| [WS-01-Denoising-SOTA](WS-01-Denoising-SOTA.ipynb) | Bloc B.5 : duel débruitage d'images (4 images canoniques × 3 sigmas × 3 graines) entre la baseline from scratch (moteur WS-00b + seuil universel MAD de WS-00a, dur/doux) et les estimateurs SOTA — VisuShrink et BayesShrink (`skimage.restoration.denoise_wavelet`), SureShrink implémenté à la main (minimisation du risque SURE en O(n log n), validée contre force brute) sur les coefficients `pywt` | **À transformée identique (db4, parité `allclose`), l'écart de débruitage vient du seuil, pas du moteur** : BayesShrink adaptatif par sous-bande gagne **+2,2 à +3,0 dB** sur le seuil universel global à chaque régime de bruit ; VisuShrink (packaging lib du même universel doux) colle à la baseline from scratch à 0,2 dB près |
-| [WS-02-Scattering-SOTA](WS-02-Scattering-SOTA.ipynb) | kymatio (backend PyTorch, corpus batché en un tenseur) contre le moteur from-scratch de WS-00c repris à l'identique — même corpus (Fashion-MNIST 80/classe, 600/200), même classifieur (régression logistique L2), même test translaté ±2 px ; diagnostic de conventions par table de correspondance (permutation d'orientations mesurée par corrélation, canaux S1 appariés à 0,64-0,81) ; mesure jumelle accuracy/latence/mémoire ; loi de l'échantillon testée à 400/classe ; tableau récapitulatif final A-vs-B de la série (LOC et dépendances calculés à l'exécution) | **SOTA rime avec ingénierie, pas avec justesse** : kymatio transforme ~46× plus vite (rapport de latence mesuré dans le notebook) mais, ses filtres isotropes par défaut étant moins sélectifs que les morlets anisotropes from-scratch, l'accuracy bornée leur donne raison — comprendre en Bloc A, produire en Bloc B |
-| [WS-03-Synthese-Scattering-vs-ResNet](WS-03-Synthese-Scattering-vs-ResNet.ipynb) | Synthèse finale : représentation construite (scattering kymatio J=2, L=4, 1225-d) contre représentation apprise (ResNet18 pré-entraîné ImageNet, avgpool 512-d) sur le même Fashion-MNIST (1 500 train / 750 test, vrai split test torchvision), même sonde (régression logistique standardisée), même test translaté ±2 px, écart relatif de représentation mesuré sous décalage, tableau récap à quatre axes (discrimination, stabilité, coût, dimension) | **Construit et appris ne dominent pas les mêmes axes** : le scattering gagne le test propre (0,837 contre 0,811) et coûte ~28× moins cher à l'extraction (rapport relatif, tableau du notebook) sans avoir vu une seule image ; le ResNet gagne la robustesse au décalage (chute 0,060 contre 0,255, écart relatif 0,331 contre 0,425) — la frontière du *pourquoi du from scratch / quand du SOTA* se lit axe par axe, pas en un vainqueur |
+| [WS-00a-Ondelettes-1D-from-scratch](WS-00a-Ondelettes-1D-from-scratch.html) | DWT orthonormale à la main (Haar, D4 par formes closes, db4 par constantes publiées), synthèse écrite comme adjoint exact, validation croisée coefficient par coefficient contre PyWavelets, profil d'énergie par échelle, débruitage par seuillage dur/doux (seuil universel MAD, sans oracle) contre passe-bas Fourier (trois cutoffs, avec oracle) sur le banc canonique Donoho-Johnstone | **Aucune base n'est universellement parcimonieuse** : l'ondelette gagne le chirp (+4,5 dB sans oracle), Fourier gagne le stationnaire (+4,8 dB avec oracle), le mixte est serré |
+| [WS-00b-Ondelettes-2D-from-scratch](WS-00b-Ondelettes-2D-from-scratch.html) | Transformée 2D séparable construite comme produit tensoriel du moteur 1D de WS-00a, pyramide de Mallat multi-niveaux, contrôle d'orientation sur motifs à orientation connue (marches verticale/horizontale/diagonale + constante en contrôle négatif), reconstruction parfaite et validation croisée `allclose` bande par bande contre PyWavelets, duel de compression à budget de coefficients apparié contre une DCT 8×8 | **Le pouvoir de parcimonie est conditionnel au budget** : db4 écrase la DCT 8×8 de +16,4 dB à 0,2 % de coefficients retenus, mais l'écart tombe à ~0,2 dB (indiscernable) dès 5 % — l'avantage de la base multi-échelle s'évapore quand on peut se permettre plus de coefficients |
+| [WS-00c-Scattering-from-scratch](WS-00c-Scattering-from-scratch.html) | Transformée de scattering 2D from scratch : banc de morlets analytiques en forme close spectrale (pic unique, correction d'admissibilité, norme L²), cascade S0/S1/S2 en une passe pleine résolution, invariance L² par translation mesurée contre pixels et descripteur sans module, sélectivité d'orientation sur les marches de WS-00b, triple validation croisée contre kymatio (traduction du pipeline à filtres injectés = `allclose` rtol=1e-4 ; écart de l'écriture pleine résolution concentré sur S2 ; régime d'invariance commun à deux calibrages indépendants), classification Fashion-MNIST bornée avec test translaté ±2 px | **Le module rend la moyenne invariante** : l'écart par translation plafonne (0,73 à 8 px) là où pixels (1,14) et coefficients sans module (1,07) croissent sans borne — et à 600 images d'entraînement, le scattering complet tient 0,765 de précision sur test translaté quand les pixels s'effondrent de 0,790 à 0,425 |
+| [WS-01-Denoising-SOTA](WS-01-Denoising-SOTA.html) | Bloc B.5 : duel débruitage d'images (4 images canoniques × 3 sigmas × 3 graines) entre la baseline from scratch (moteur WS-00b + seuil universel MAD de WS-00a, dur/doux) et les estimateurs SOTA — VisuShrink et BayesShrink (`skimage.restoration.denoise_wavelet`), SureShrink implémenté à la main (minimisation du risque SURE en O(n log n), validée contre force brute) sur les coefficients `pywt` | **À transformée identique (db4, parité `allclose`), l'écart de débruitage vient du seuil, pas du moteur** : BayesShrink adaptatif par sous-bande gagne **+2,2 à +3,0 dB** sur le seuil universel global à chaque régime de bruit ; VisuShrink (packaging lib du même universel doux) colle à la baseline from scratch à 0,2 dB près |
+| [WS-02-Scattering-SOTA](WS-02-Scattering-SOTA.html) | kymatio (backend PyTorch, corpus batché en un tenseur) contre le moteur from-scratch de WS-00c repris à l'identique — même corpus (Fashion-MNIST 80/classe, 600/200), même classifieur (régression logistique L2), même test translaté ±2 px ; diagnostic de conventions par table de correspondance (permutation d'orientations mesurée par corrélation, canaux S1 appariés à 0,64-0,81) ; mesure jumelle accuracy/latence/mémoire ; loi de l'échantillon testée à 400/classe ; tableau récapitulatif final A-vs-B de la série (LOC et dépendances calculés à l'exécution) | **SOTA rime avec ingénierie, pas avec justesse** : kymatio transforme ~46× plus vite (rapport de latence mesuré dans le notebook) mais, ses filtres isotropes par défaut étant moins sélectifs que les morlets anisotropes from-scratch, l'accuracy bornée leur donne raison — comprendre en Bloc A, produire en Bloc B |
+| [WS-03-Synthese-Scattering-vs-ResNet](WS-03-Synthese-Scattering-vs-ResNet.html) | Synthèse finale : représentation construite (scattering kymatio J=2, L=4, 1225-d) contre représentation apprise (ResNet18 pré-entraîné ImageNet, avgpool 512-d) sur le même Fashion-MNIST (1 500 train / 750 test, vrai split test torchvision), même sonde (régression logistique standardisée), même test translaté ±2 px, écart relatif de représentation mesuré sous décalage, tableau récap à quatre axes (discrimination, stabilité, coût, dimension) | **Construit et appris ne dominent pas les mêmes axes** : le scattering gagne le test propre (0,837 contre 0,811) et coûte ~28× moins cher à l'extraction (rapport relatif, tableau du notebook) sans avoir vu une seule image ; le ResNet gagne la robustesse au décalage (chute 0,060 contre 0,255, écart relatif 0,331 contre 0,425) — la frontière du *pourquoi du from scratch / quand du SOTA* se lit axe par axe, pas en un vainqueur |
 
 ## Feuille de route (issue #16055)