Fix(probas,#20975): tranche Probas -- compteurs de prose degrades, renvoi implicite au catalogue

MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/README.md

@@ -55,7 +55,7 @@ Chaque notebook de l'arc rend visible un geste décisionnel distinct, dans une f
 
 <p align="center"><a href="DecPyMC-7-Sequential.ipynb"><img src="assets/readme/dt7-thompson.png" width="560" alt="Thompson Sampling bayésien sur 4 bandits (vrais means 0.3/0.5/0.7/0.4) : regret cumulé comparé à Greedy, ε-greedy et UCB1, et posterior Beta final pour chaque bras après 2000 pas."></a></p>
 
-> **Note d'audit c.486 (2026-07-14, doctrine #5780).** Audit vision G.1 firsthand des 6 PNG `assets/readme/` sur cette lane `CoursIA-2` (vision MiniMax M3) : **3 figures ACCURATE sans correction** (`dt5-mc-convergence.png`, `dt6-expert-graph.png`, `dt7-thompson.png`), **2 corrections réelles alt-texts sur-vendeurs** (`dt2-investment.png` — l'alt-text v1 omettait le 4ᵉ panneau « EU vs aversion CRRA » qui est précisément le panneau décisionnel de la figure ; `dt3-multiattribute.png` — l'alt-text v1 mentionnait « Monte Carlo » sans rendre visible la zone de non-dominance stochastique ni l'écart E[U] 0.027 non significatif), **1 enrichissement alt-text** (`dt5-evpi-heatmap.png` — ajout de la frontière de décision bleue et du scenario actuel ★ (P=0.30, G=1000k)). Investigation `nbformat` Python confirme les attributions source (cells 31/38/29/54/40/49 des notebooks `DecPyMC-{2,3,5,5,6,7}-*.ipynb`). 0 PNG modifié, 0 notebook ré-exécuté (C.3 strict), 0 catalogue régénéré (catalog-pr-hygiene R1). Pattern transférable : pour les MANIFEST matplotlib `Probas/DecisionTheory/DecPyMC/` le panneau décisif est souvent un sous-graphe périphérique (panneau 4 sur 4, ou scatter latéral) qui complète le tableau principal et que l'alt-text générique omet.
+> **Note d'audit c.486 (2026-07-14, doctrine #5780).** Audit vision G.1 firsthand des 6 PNG `assets/readme/` sur cette lane `CoursIA-2` (vision MiniMax M3) : **3 figures ACCURATE sans correction** (`dt5-mc-convergence.png`, `dt6-expert-graph.png`, `dt7-thompson.png`), **2 corrections réelles alt-texts sur-vendeurs** (`dt2-investment.png` — l'alt-text v1 omettait le 4ᵉ panneau « EU vs aversion CRRA » qui est précisément le panneau décisionnel de la figure ; `dt3-multiattribute.png` — l'alt-text v1 mentionnait « Monte Carlo » sans rendre visible la zone de non-dominance stochastique ni l'écart E[U] 0.027 non significatif), **1 enrichissement alt-text** (`dt5-evpi-heatmap.png` — ajout de la frontière de décision bleue et du scenario actuel ★ (P=0.30, G=1000k)). Investigation `nbformat` Python confirme les attributions source (cells 31/38/29/54/40/49 des notebooks `DecPyMC-{2,3,5,5,6,7}-*.ipynb`). aucun PNG modifié, aucun notebook ré-exécuté (C.3 strict), aucun catalogue régénéré (catalog-pr-hygiene R1). Pattern transférable : pour les MANIFEST matplotlib `Probas/DecisionTheory/DecPyMC/` le panneau décisif est souvent un sous-graphe périphérique (panneau 4 sur 4, ou scatter latéral) qui complète le tableau principal et que l'alt-text générique omet.
 
 ## Progression Pédagogique
 

MyIA.AI.Notebooks/Probas/DecisionTheory/decision_theory_lean/README.md

@@ -266,8 +266,8 @@ Une preuve complète de `gittins_optimality` requiert :
 4. Une **espérance formelle** sur la distribution de récompense.
 
 Mathlib (v4.31.0-rc1) n'a **aucune formalisation de MDP, de bandit ou d'équation de
-Bellman**, ni d'API d'espérance mesurée-théorique adaptée ici. Une preuve complète est
-estimée à ~2000–5000 lignes de définitions support — de niveau recherche, au-delà
+Bellman**, ni d'API d'espérance mesurée-théorique adaptée ici. Une preuve complète exigerait un volume
+de définitions support de niveau recherche, au-delà
 d'une seule PR. Le théorème est donc **énoncé** (avec l'énoncé précis préservé dans
 son docstring) plutôt qu'affaibli silencieusement.
 

MyIA.AI.Notebooks/Probas/Infer/README.md

@@ -2,13 +2,13 @@
 
 [← Série Probas](../README.md) | [Série PyMC (Python) →](../PyMC/README.md) | [ML.NET (C#) →](../../ML/ML.Net/README.md)
 
-Programmation probabiliste avec Microsoft Infer.NET : le **corpus bayésien** (19 notebooks, ce README) va des fondamentaux (distributions, factor graphs) aux frontières (modèles relationnels, TrueSkill, LDA, HMM, **inférence causale** (do-calculus de Pearl), **processus gaussiens** (GP sparse, frontières non-linéaires), **modèles hiérarchiques** (pooling partiel, shrinkage), **filtre de Kalman**, **détection de rupture** (change-point bayésien), **analyse de survie** (modèles de risque, censure)). Le **corpus de théorie de la décision** (10 notebooks, [`../DecisionTheory/DecInfer/`](../DecisionTheory/DecInfer/README.md)) couvre utilité espérée, EVPI, MDPs, indice de Gittins et **bandits bayésiens** (Thompson Sampling), avec des preuves formelles Lean 4.
+Programmation probabiliste avec Microsoft Infer.NET : le **corpus bayésien** (ce README) va des fondamentaux (distributions, factor graphs) aux frontières (modèles relationnels, TrueSkill, LDA, HMM, **inférence causale** (do-calculus de Pearl), **processus gaussiens** (GP sparse, frontières non-linéaires), **modèles hiérarchiques** (pooling partiel, shrinkage), **filtre de Kalman**, **détection de rupture** (change-point bayésien), **analyse de survie** (modèles de risque, censure)). Le **corpus de théorie de la décision** ([`../DecisionTheory/DecInfer/`](../DecisionTheory/DecInfer/README.md)) couvre utilité espérée, EVPI, MDPs, indice de Gittins et **bandits bayésiens** (Thompson Sampling), avec des preuves formelles Lean 4.
 
 **À qui s'adresse cette série** : étudiants en IA, développeurs .NET souhaitant maîtriser l'inférence probabiliste par message passing, et data scientists intéressés par les graphes de facteurs. Les notebooks C# requièrent .NET 9.0 + dotnet-interactive. Aucun prérequis en probabilités avancées : les concepts sont introduits progressivement.
 
 ## Pourquoi cette sous-série
 
-Infer.NET est le seul framework d'inférence probabiliste natif dans l'écosystème .NET. Il compile un modèle probabiliste déclaratif en un **algorithme d'inférence spécialisé** via reflection et compilation Roslyn, offrant trois moteurs complémentaires : **Expectation Propagation (EP)** pour les modèles continus et mixtes (défaut, rapide mais approximatif), **Variational Message Passing (VMP)** pour les modèles à composantes comme LDA (stable, sous-estime l'incertitude), et **Gibbs Sampling** pour la validation sur petits modèles (exact asymptotiquement, lent). Cette approche compilée contraste avec l'échantillonnage MCMC générique de PyMC et permet des inférences en millisecondes plutôt qu'en minutes. Cette série couvre les **19 notebooks** du corpus bayésien (réseaux bayésiens, TrueSkill, LDA, HMM) — voir la table *Vue d'ensemble* ci-dessous pour la liste exhaustive. Le corpus de théorie de la décision (10 notebooks) et la preuve formelle Lean 4 de l'indice de Gittins vivent dans la sous-série [`DecisionTheory/DecInfer/`](../DecisionTheory/DecInfer/README.md).
+Infer.NET est le seul framework d'inférence probabiliste natif dans l'écosystème .NET. Il compile un modèle probabiliste déclaratif en un **algorithme d'inférence spécialisé** via reflection et compilation Roslyn, offrant trois moteurs complémentaires : **Expectation Propagation (EP)** pour les modèles continus et mixtes (défaut, rapide mais approximatif), **Variational Message Passing (VMP)** pour les modèles à composantes comme LDA (stable, sous-estime l'incertitude), et **Gibbs Sampling** pour la validation sur petits modèles (exact asymptotiquement, lent). Cette approche compilée contraste avec l'échantillonnage MCMC générique de PyMC et permet des inférences en millisecondes plutôt qu'en minutes. Cette série couvre le corpus bayésien (réseaux bayésiens, TrueSkill, LDA, HMM) — voir la table *Vue d'ensemble* ci-dessous pour la liste exhaustive. Le corpus de théorie de la décision et la preuve formelle Lean 4 de l'indice de Gittins vivent dans la sous-série [`DecisionTheory/DecInfer/`](../DecisionTheory/DecInfer/README.md).
 
 | Algorithme | Force | Limite | Cas d'usage |
 | ---------- | ----- | ------ | ---------- |