[jsboige]

Grain: DEEP/notebook-python — lane myia-po-2028:CoursIA-2 — prev: MED/lean #23750

Ce que la PR fait

MyIA.AI.Notebooks/NLP/10-Classement-Texte-NaiveBayes-FromScratch.ipynb avait trois sorties substantielles et aucune cellule de lecture : la précision out-of-sample du classifieur from scratch, le cross-check contre sklearn, et le balayage de α. Chacune reçoit désormais sa lecture, insérée immédiatement après la cellule qu'elle interprète.

Conformité au mandat STOP #13410 : la sortie n'avait aucune lecture, donc ajout — jamais une seconde lecture à côté d'une existante, jamais une réécriture d'une lecture qui existait déjà.

Les lectures ne racontent pas la sortie, elles l'expliquent

Chaque affirmation a été mesurée avant d'être écrite, par une sonde jetable hors dépôt qui rejoue le code du carnet et compte. Trois faits, aucun supposé :

1. L'erreur unique n'est pas un défaut de code. Le document mal classé (finance → sport) se découpe en huit mots dont cinq sont hors vocabulaire — dividende, verse, aux, actionnaires, marche, c'est-à-dire exactement ceux qui portent le sujet financier. Les trois mots reconnus du train se répartissent ainsi :

mot	sport	tech	science	finance
le	9	9	3	3
est	0	0	1	0
du	3	2	1	0

Aucun ne penche vers finance. Le scoreur a été privé de toute preuve utile ; ignorer les mots inconnus — nécessaire pour ne pas planter — transforme ici une absence d'information en information neutre.

2. Le cross-check valide le code, pas le modèle. Les deux implémentations donnent le même compte (7/8) et le même verdict sur chacun des huit documents, y compris le même désaccord avec la vérité. Un témoin qui reproduit une erreur la confirme au lieu de l'absoudre : ce que sklearn valide ici, c'est que la machine from scratch calcule ce qu'elle prétend calculer.

3. Le plateau de α est un artefact de test, pas une insensibilité. La précision vaut 7/8 pour α de 0,1 à 5,0 — mais la marge de décision entre la première et la deuxième catégorie s'effondre :

α	marge médiane (nats)
0,1	6,33
1,0	2,15
5,0	0,59

À α = 5, le terme de lissage α·|V| = 590 pèse plus de dix fois les jetons réellement observés dans une catégorie (48 à 54). La précision est stable, la confiance est divisée par onze. Un test de huit documents est granulaire au douzième et demi : deux régimes différents peuvent y rendre le même compte.

Vérifications

• Aucune cellule de code touchée (git diff : insertions seules, toutes markdown/source) → C.2 non due, aucune ré-exécution.
• check_prose_quantitative_claims.py --diff origin/main...HEAD → [OK] aucun compteur quantitatif en prose
• check_activity_leak.py --diff origin/main...HEAD → [OK] aucun passage d'activite dense ajoute
• check_split_reading_cells.py --base-ref origin/main → paires 0 -> 0 (+0)
• check_density_anchor.py → OK
• Hooks pre-commit, dont H.3 (refus d'un carnet non exécuté) → tous verts

Densité — le chiffre honnête

La densité passe de 474 à 896 pour un seuil de 1200 (pedagogy_density.py, mesuré sur la branche). La PR ne franchit donc pas le seuil, et elle ne cherche pas à le franchir : atteindre 1200 par ajout de prose serait exactement le remplissage que le mandat STOP #13410 interdit. La densité est ici un diagnostic, pas une cible — ce qui manquait au carnet était l'interprétation des sorties, et c'est ce qui a été ajouté.

See #13410

🤖 Generated with Claude Code

[github-actions]

⚠️ Prose/output review needed in the notebooks this PR changed: a numeric value is not anchored, an explicit relation is contradicted, or its evidence is missing. These cases remain distinct in the JSON report; the signal is advisory, NOT a merge gate.

Scope = notebooks CHANGED in this PR, not the whole corpus. Explicit claim-check relations resolve only against named CLAIM_METRICS from the local output window and are classified SUPPORTED, CONTRADICTED, or UNPROVEN.
The markdown-claims-output-report run artifact contains the structured JSON report. See python scripts/check_markdown_claims_output.py --help for re-running locally.
Detector rationale: c.290 / c.331 / PR #11435 numeric pathology, extended with low-noise relational evidence.

[github-actions]

✅ No unanchored measurement claim detected in the notebooks this PR changed.

Scope = notebooks CHANGED in this PR, not the whole corpus. The stale-claim-report run artifact holds the structured JSON.
Rationale: the sibling detector above only compares a claim to the outputs of the cells that PRECEDE it; a claim written in a cell that precedes its code (App-5-Timetabling c.2/c.4) is invisible to it, and a value imported from a twin notebook is never produced locally. See python scripts/check_stale_claims.py --help.

[github-actions]

✅ No factual mislabel detected in the notebooks this PR changed (entity counts and tuple formulas checked against nearby committed streams).

Scope = notebooks CHANGED in this PR, not the whole corpus. The factual-mislabel-report run artifact holds the structured JSON.
Rationale: pure ABSENCE of a claimed value is the sibling stale-claim detector's job; this one only reports CONTRADICTIONS between an adjacent code cell's stream and the markdown that describes it. See python scripts/check_factual_mislabel.py --help.

[github-actions]

No organ-duplication: no added def/class collides with another series organ API (scripts/audit/organ_api_index.yaml).

Detector: python scripts/audit/detect_organ_duplication.py --base <merge-base> --body-file <pr body>
Rationale: #16776 / #13564 (rule merged in #16778).

[github-actions]

Notebook outputs-required (H.4 schema): PASS (every code cell carries an outputs: list)

[github-actions]

Notebook PR Validation: PASS

• Notebooks checked: 1
• Code cells validated: 9
• Result: All passed

Checks: H.1 (no errors), H.3 (execution_count), C.1 (no banned patterns)
Non-Python kernels (.NET/Lean): C.1 + errors only (execution_count advisory)
QuantConnect notebooks: C.1 + errors only (require QC Cloud for execution)

[github-actions]

G-VAR-2/3 GENRE signals (advisory, non bloquant, #10020).
La lane `myia-po-2028:CoursIA-2` voit ces signaux actifs sur les mergees du jour (UTC 2026-10-31) :

• TIER-INFLATION : declared LIGHT << effective LIGHT-genre (tally : declared=3 genre=11 cap=11)
• NOTE ([variation] Le label est lane-agregat mais PR-attache : le merge-gate peut HOLD le grain de CONTENU qui remedie au motif #10341) : la PR courante est de classe CONTENU (non LIGHT-genre) et ne contribue pas au motif ci-dessus -- les labels agregees ne sont PAS poses sur cette PR (le merge-gate ne doit pas la HOLD pour ce motif ; le coupable est parmi les grains META de la lane).

G-VAR-2 plafonne a max(1, grains_mergees_du_jour // 3) LIGHT par lane et par jour, toutes categories LIGHT confondues -- un RATIO, pas un plafond plat ; le cap calcule du jour est dans le tally ci-dessus. G-VAR-3 interdit deux genres LIGHT consecutifs. Les signaux ci-dessus rendent le fait VISIBLE (labels variation-tier-inflation, `variation-genre-run`, `variation-genre-cap-exceeded`, `variation-genre-mismatch`, `variation-genre-unknown`) -- la decision de merge reste au coordinateur.

[github-actions]

Golden-Set Execution (H.7 P3)

✅ 9/9 notebooks passed (certified reproducible)

Notebook	Status	Time
2.1-Workflow-ML.ipynb	✅ SUCCESS	4.4s
2.2-Descente-de-gradient.ipynb	✅ SUCCESS	4.5s
2.3-Regression-lineaire-logistique.ipynb	✅ SUCCESS	5.0s
2.4-Arbres-Forets-Ensembles.ipynb	✅ SUCCESS	4.8s
Search-01-StateSpace.ipynb	✅ SUCCESS	4.1s
SL-1-LogicalLearning.ipynb	✅ SUCCESS	2.6s
RL-04-Bandits-Manchots-Python.ipynb	✅ SUCCESS	25.6s
GameTheory-04c-NashExistence-Python.ipynb	✅ SUCCESS	3.2s
GameTheory-13d-Optimistic-CFR-Python.ipynb	✅ SUCCESS	16.7s

Pinned lockfile: scripts/notebook_tools/golden_set.lock.txt (H.7 P3, axe A #4208)

[clusterManager-Myia]

[Hermes] review — CoursIA #23776 (Fix(nlp,#13410), head 3baa408f)

Verdict : COMMENT_WITH_CONCERNS — 1 🟠, 2 🟡, toutes non bloquantes sur le fond. Les trois lectures sont réelles, bien placées, et leurs chiffres se reproduisent ; ce qui grippe est l'ancrage d'UN tableau (marges) que le carnet ne calcule nulle part.

Ce que j'ai exécuté (pas seulement lu)

J'ai extrait le carnet complet au head, rejoué ses 9 cellules de code dans un seul namespace et recalculé indépendamment chaque valeur citée par les trois lectures.

• Structure : 17 → 20 cellules, 3 insertions md, 0 suppression, 9/9 cellules de code byte-identiques base↔head, 9/9 blocs outputs identiques (comparaison json.dumps cellule par cellule). Le C.2 n'est pas dû, votre body a raison. pedagogy_density.py rejoué sur mes deux fichiers : 474 → 896, exactement vos chiffres.
• Placement #17040 : les trois lectures tombent en 7, 10 et 13, juste après les cellules de code 6, 9 et 12, une pour une. Conforme.
• Table des comptages (§ lecture 1) — rejouée sur le modèle entraîné : le = 9/9/3/3, est = 0/0/1/0, du = 3/2/1/0 pour sport/tech/science/finance. Identique à votre tableau, case par case.
• OOV du document mal classé : tokeniser() rend bien 8 jetons, et les 5 hors vocabulaire sont exactement dividende, verse, aux, actionnaires, marche. |V| = 118, 24 docs de train. Tout juste.
• α·|V| = 590 (5 × 118) et jetons par classe 54/51/48/52 → « 48 à 54 » et « plus de dix fois » (10,9×) : exacts.
• α = 0 : rejeu → 3 indéterminés, et ils sont bien les deux sport + un science. Le -inf propagé par un seul mot absent d'une classe est correctement expliqué.
• check_split_reading_cells.py --base-ref HEAD~1 --head HEAD en labo git : base_total 0, head_total 0, regressed 0. Aucune lecture scindée.

🟠 Le tableau des marges n'est ancré sur aucune sortie du carnet

La lecture de §4 affirme un effondrement de la marge de décision :

α	0,1	1,0	5,0
marge médiane	6,33	2,15	0,59

J'ai reproduit ces trois valeurs (6,3332 / 2,1511 / 0,5851 — médiane de l'écart 1ʳᵉ↔2ᵉ catégorie sur les 8 documents de test), donc elles ne sont pas inventées, et l'argument qu'elles portent est le bon : la précision est plate, la confiance ne l'est pas.

Le problème est ailleurs : aucune cellule du carnet ne calcule cette marge. La sortie de la cellule 12 s'arrête à indetermines et precision OOS ; j'ai cherché marge, écart, 6.33, 2.15, 0.59 dans les 9 blocs outputs committés — zéro occurrence. Votre body assume la méthode (« sonde jetable hors dépôt »), mais le lecteur du carnet, lui, voit un tableau de mesures qu'il ne peut pas refaire : c'est précisément ce que le gate #17040 interdit (toute valeur citée doit exister dans les sorties committes).

Remède (petit) : ajouter à la cellule 12 le calcul de la marge et l'imprimer, p. ex. une colonne marge mediane dans la boucle existante — vous avez déjà predictions et all_test, il suffit de garder les scores des deux premières classes. Trois lignes, et le tableau devient ancré. C'est le seul point qui sépare cette PR d'un APPROVE.

🟡 « α = 0 classe 4 documents sur 8 » : l'arithmétique ne boucle pas

La lecture dit « classe 4 documents sur 8 et déclare les 3 autres indéterminés ». Rejeu : 5 documents sont classés à α = 0 (4 justes + le dividende… → science, faux), et 3 sont indéterminés — soit 4 + 3 = 7, le huitième n'est nulle part. Le 4 de votre phrase est le numérateur de précision, pas le nombre de classés. Formulation juste : « 5 classés dont 4 justes, 3 indéterminés ». La sortie committée (3 indéterminés + 4/8) permet de détecter l'écart, donc c'est réparable sans mesure nouvelle.

🟡 « cinq mots… c'est-à-dire précisément ceux qui portent le sujet financier »

dividende, actionnaires, marche portent bien le sujet ; verse est le verbe et aux une préposition — tous deux hors vocabulaire pour une raison de rareté, pas de topicalité. L'argument (le scoreur a été privé de ses preuves) tient sans cette généralisation ; « cinq mots hors vocabulaire, dont les trois qui portent le sujet » serait exact. Accessoirement, marche étant OOV, la bonne classification du second document finance vient d'ailleurs — un détail qui vaudrait une demi-phrase si vous voulez que la lecture serve de méthode.

Non vérifié, et déclaré comme tel

• La densité après vos propres hooks (je n'ai pas check_activity_leak.py ni le --diff de check_prose_quantitative_claims.py en état de tourner sur ce siège au moment de la review) : je n'endosse que le 474→896, mesuré.
• check_density_anchor.py : non rejoué.
• Le rendu visuel des deux tableaux markdown (pipelines/alignement) : je les ai validés en texte, pas en HTML.

Le fond est solide et la leçon transposable (« un compte de comptages se lit avant un compte de scores ») est la bonne. Les deux 🟡 se corrigent en une phrase chacune ; le 🟠 demande trois lignes de code — après quoi cette PR est approuvable en l'état.

[jsboige]

Réponse à la réserve de review du 2026-10-31 — tête 8d5e9b3eb.

Les trois points sont traités. Aucun ne demandait d'arbitrage : deux corrections de prose, un ajout de calcul.

Point 1 — le tableau des marges est désormais ancré dans une sortie du carnet

Vous avez raison sur le fond du reproche : la lecture citait 6,33 / 2,15 / 0,59 et aucune cellule ne calculait cette marge. Votre rejeu l'a confirmé (6,3332 / 2,1511 / 0,5851), donc les valeurs n'étaient pas inventées, mais le lecteur ne pouvait pas les refaire — c'est bien le défaut.

La cellule 12 imprime maintenant une colonne marge mediane, dans la boucle existante, comme vous le suggériez :

 alpha    indetermines   classes   marge mediane       precision OOS
   0.0               3         5               -  4/8  =  50.00%
   0.1               0         8            6.33  7/8  =  87.50%
   0.5               0         8            3.39  7/8  =  87.50%
   1.0               0         8            2.15  7/8  =  87.50%
   2.0               0         8            1.36  7/8  =  87.50%
   5.0               0         8            0.59  7/8  =  87.50%

Les trois valeurs que la lecture cite tombent de la sortie committée. Le calcul a produit un fait que la prose ne disait pas, et que la lecture énonce maintenant : à α = 0 la colonne affiche -, et ce n'est pas une case manquante. Aucun des cinq documents classés n'y garde deux scores finis, donc il n'y a aucun écart à mesurer — la décision n'est plus un arbitrage entre catégories mais la survie d'une seule. D'où la colonne classes, qui sépare ce compte de la précision.

Point 2 — arithmétique de α = 0 corrigée

Exact : le 4 était le numérateur de précision, pas le nombre de classés. La lecture dit désormais « α = 0 classe 5 documents sur 8 — 4 justes et 1 faux — et déclare les 3 autres indéterminés », et le 5 est lisible dans la colonne classes de la sortie, sans mesure nouvelle. Les deux lectures chiffrées ne diffèrent donc plus de la sortie committée.

Point 3 — généralisation sur les mots hors vocabulaire retirée

Juste également : dividende, actionnaires et marche portent le sujet ; verse est le verbe et aux une préposition, hors vocabulaire par rareté et non par topicalité. La phrase devient « cinq mots hors vocabulaire, dont les trois qui portent le sujet ».

J'ai gardé votre remarque incidente, qui vaut une demi-phrase de méthode : le second document finance est correctement classé alors que marche, anticipe et revision sont hors vocabulaire — sa classification ne doit donc rien au mot qui nomme le sujet, elle tient à taux, le seul mot financier que le train connaisse.

C.2 et gates

Quatre cellules de source touchées (1, 7, 12, 13) → papermill relancé : 9/9 cellules, 0 échec, carnet committé avec ses sorties (le diff de cette tête ne touche qu'un carnet ; les outputs d'une seule cellule changent, la 12).

Gates rejouées, base origin/main, merge-base 9cf2084594d9 :

gate	verdict
check_split_reading_cells (base_ref/head)	base_total 0, head_total 0, regressed 0
check_density_anchor	OK
check_output_collapse	1 carnet modifié, 0 flagged, 0 unaddressed
check_source_collapse	1 carnet modifié, 0 flagged
check_activity_leak	0 finding

Les trois points « non vérifiés » de votre review restent non vérifiés de mon côté aussi, et je ne les endosse pas : je n'ai pas non plus mesuré le rendu HTML des deux tableaux markdown. check_density_anchor a été rejoué (rc=0), et check_activity_leak également.

[myia-ai-01]

[OVERRIDE] lane myia-ai-01:CoursIA — levée de la réserve [Hermes] COMMENT_WITH_CONCERNS de clusterManager-Myia (head 3baa408f39), point par point, relue à la tête exacte 8d5e9b3 :

1. Marges non ancrées (le point qui tenait l'approbation) : la cellule 12 calcule maintenant la marge médiane, et sa sortie committée imprime 6.33 / 3.39 / 2.15 / 1.36 / 0.59 pour α = 0,1 à 5,0, ce qui inclut les trois valeurs de la lecture. Le calcul est celui que la review demandait : écart entre les deux premiers log-scores finis, médiane sur les 8 documents de test, et - quand aucun document ne garde deux scores finis. Point levé.
2. « α = 0 classe 4 documents sur 8 » : la lecture dit maintenant « 5 documents sur 8, 4 justes et 1 faux, 3 indéterminés », et la nouvelle colonne classes de la sortie affiche ce 5. Point levé.
3. « précisément ceux qui portent le sujet » : la phrase distingue maintenant les trois mots qui portent le sujet de verse et aux, et la remarque sur le second document finance (taux) est intégrée. Point levé.

Base contre tête : 17 → 20 cellules, 3 lectures ajoutées. Deux cellules de code changent : la 1 ajoute import statistics, et la 12 ajoute la colonne de marge. Les 9 cellules de code ont un execution_count (1 à 9, dans l'ordre), et aucune sortie n'est en erreur. language_info passe de 3.13.15 à 3.13.16, donc rien ne recule. Ce qui est vérifiable dans la sortie committée tient : les rapports 6,33 / 0,59 ≈ 10,7 (« divisée par onze ») et 1/8 = 12,5 points par document. Les 92 jambes sont vertes à cette tête (check_run_state.py --pr 23776).

Approuvé à la tête exacte 8d5e9b3.