diff --git a/MyIA.AI.Notebooks/GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb b/MyIA.AI.Notebooks/GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb index 1ed4f513f9b..4d3eb4afe79 100644 --- a/MyIA.AI.Notebooks/GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb +++ b/MyIA.AI.Notebooks/GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb @@ -16,7 +16,7 @@ "source": [ "# GameTheory 04e — Oracles réflexifs, décision causale et équilibre de Nash\n", "\n", - "**Navigation** : [<< 4d-Marchandage-Asymetrique](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) | [Index](README.md) | [4f-Theories-Decision-Predicteur >>](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb)\n", + "**Navigation** : [<< 4d-Marchandage-Asymetrique](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) | [Index](README.md) | [DecInfer 11-Théories-Decision-Predicteur (inter-séries) >>](../Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb)\n", "\n", "> **Source primaire** : Benja Fallenstein, Jessica Taylor, Paul F. Christiano (2015), *Reflective Oracles: A Foundation for Classical Game Theory*. arXiv : [1508.04145](https://arxiv.org/abs/1508.04145). Bibliothèque canonique privée : `G:\\Mon Drive\\MyIA\\IA\\Bibliographie IA\\GameTheory\\2015 - Fallenstein Taylor Christiano - Reflective Oracles - A Foundation for Classical Game Theory.pdf` (SHA-256 `c0ae7668...ee6653`).\n", "\n", diff --git a/MyIA.AI.Notebooks/GameTheory/GameTheory-04g-Supermodularite-Python.ipynb b/MyIA.AI.Notebooks/GameTheory/GameTheory-04g-Supermodularite-Python.ipynb index 354f6c37eb9..4cb9faa373e 100644 --- a/MyIA.AI.Notebooks/GameTheory/GameTheory-04g-Supermodularite-Python.ipynb +++ b/MyIA.AI.Notebooks/GameTheory/GameTheory-04g-Supermodularite-Python.ipynb @@ -16,9 +16,9 @@ "source": [ "# GameTheory 04g — Supermodularité et treillis des équilibria\n", "\n", - "**Navigation** : [<< 4f-Theories-Decision-Predicteur](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) | [Index](README.md)\n", + "**Navigation** : [<< 4e-Reflective-Oracles](GameTheory-04e-Reflective-Oracles-Python.ipynb) | [Index](README.md)\n", "\n", - "**Autres approfondissements de 04** : [4-NashEquilibrium (track principal)](GameTheory-04-NashEquilibrium-Python.ipynb) · [4b-Lean-NashExistence](GameTheory-04b-Lean-NashExistence-Lean.ipynb) · [4c-NashExistence](GameTheory-04c-NashExistence-Python.ipynb) · [4d-Marchandage-Asymetrique](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) · [4e-Reflective-Oracles](GameTheory-04e-Reflective-Oracles-Python.ipynb) · [4f-Theories-Decision-Predicteur](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) · [4h-Routing-PriceOfAnarchy](GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb)\n", + "**Autres approfondissements de 04** : [4-NashEquilibrium (track principal)](GameTheory-04-NashEquilibrium-Python.ipynb) · [4b-Lean-NashExistence](GameTheory-04b-Lean-NashExistence-Lean.ipynb) · [4c-NashExistence](GameTheory-04c-NashExistence-Python.ipynb) · [4d-Marchandage-Asymetrique](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) · [4e-Reflective-Oracles](GameTheory-04e-Reflective-Oracles-Python.ipynb) · [4h-Routing-PriceOfAnarchy](GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb)\n", "\n", "**Kernel** : Python 3\n", "\n", @@ -1895,9 +1895,9 @@ "source": [ "***\n", "\n", - "**Navigation** : [<< 4f-Theories-Decision-Predicteur](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) | [Index](README.md)\n", + "**Navigation** : [<< 4e-Reflective-Oracles](GameTheory-04e-Reflective-Oracles-Python.ipynb) | [Index](README.md)\n", "\n", - "**Autres approfondissements de 04** : [4-NashEquilibrium (track principal)](GameTheory-04-NashEquilibrium-Python.ipynb) · [4b-Lean-NashExistence](GameTheory-04b-Lean-NashExistence-Lean.ipynb) · [4c-NashExistence](GameTheory-04c-NashExistence-Python.ipynb) · [4d-Marchandage-Asymetrique](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) · [4e-Reflective-Oracles](GameTheory-04e-Reflective-Oracles-Python.ipynb) · [4f-Theories-Decision-Predicteur](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) · [4h-Routing-PriceOfAnarchy](GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb)" + "**Autres approfondissements de 04** : [4-NashEquilibrium (track principal)](GameTheory-04-NashEquilibrium-Python.ipynb) · [4b-Lean-NashExistence](GameTheory-04b-Lean-NashExistence-Lean.ipynb) · [4c-NashExistence](GameTheory-04c-NashExistence-Python.ipynb) · [4d-Marchandage-Asymetrique](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) · [4e-Reflective-Oracles](GameTheory-04e-Reflective-Oracles-Python.ipynb) · [4h-Routing-PriceOfAnarchy](GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb)" ] } ], diff --git a/MyIA.AI.Notebooks/GameTheory/GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb b/MyIA.AI.Notebooks/GameTheory/GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb index ac0a0fb608b..e3284acf408 100644 --- a/MyIA.AI.Notebooks/GameTheory/GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb +++ b/MyIA.AI.Notebooks/GameTheory/GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb @@ -18,7 +18,7 @@ "\n", "Le carnet [GameTheory-04-NashEquilibrium-Python.ipynb](GameTheory-04-NashEquilibrium-Python.ipynb) calcule des équilibres de Nash en stratégies mixtes sur des matrices de paiements **numériques**. Mais d'où viennent ces nombres ? La condition d'indifférence qui détermine un équilibre mixte — « le gain espéré de chaque action jouée est égal » — compare des **espérances de nombres**, pas des classements : elle suppose que les paiements sont des **utilités cardinales**, construites depuis des préférences sur des loteries. Ce carnet construit ce chaînon manquant : le théorème de représentation de von Neumann-Morgenstern (vNM), l'élicitation d'une utilité normalisée, l'équivalence certaine et la prime de risque, puis — c'est sa contribution propre — il **mesure ce que l'aversion au risque fait aux équilibres des jeux mêmes du palier 04** (Dilemme du Prisonnier, Stag Hunt, Battle of the Sexes, Matching Pennies).\n", "\n", - "**Position dans la série** : accretion du palier 04 (les équilibres mixtes deviennent des équilibres *en utilités* ; le carnet [GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) couvre l'autre lecture des mixtes, comme croyances, et non comme utilités). Source principale : Bonanno (2015), ch. 4 « Expected Utility » — lu intégralement sur la copie archivée du gisement (`G:\\Mon Drive\\MyIA\\IA\\Bibliographie IA\\GameTheory\\`)." + "**Position dans la série** : accretion du palier 04 (les équilibres mixtes deviennent des équilibres *en utilités* ; le carnet [DecInfer-11-Theories-Decision-Predicteur-Python.ipynb](../Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb) couvre l'autre lecture des mixtes, comme croyances, et non comme utilités). Source principale : Bonanno (2015), ch. 4 « Expected Utility » — lu intégralement sur la copie archivée du gisement (`G:\\Mon Drive\\MyIA\\IA\\Bibliographie IA\\GameTheory\\`)." ] }, { @@ -1220,7 +1220,7 @@ "3. **Knight, V. & Campbell, J. (2018).** *Nashpy: A Python library for the computation of Nash equilibria.* Journal of Open Source Software 3(30): 904. doi:10.21105/joss.00904. — recalcule ici les équilibres des jeux transformés (section 6), indépendamment de la formule d'indifférence.\n", "4. **Jensen, J. L. W. V. (1906).** *Sur les fonctions convexes et les inégalités entre les valeurs moyennes.* Acta Mathematica 30: 175-193. — l'inégalité de convexité qui fonde $CE(L) \\le \\mathbb{E}[L]$ pour toute utilité concave (prime de risque positive de l'averse).\n", "\n", - "> **Lien avec le palier 04** : les jeux mesurés en section 6 sont exactement ceux de [GameTheory-04-NashEquilibrium-Python.ipynb](GameTheory-04-NashEquilibrium-Python.ipynb) (ses sections 2 et 4). La lecture « croyances » des stratégies mixtes est traitée dans [GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb)." + "> **Lien avec le palier 04** : les jeux mesurés en section 6 sont exactement ceux de [GameTheory-04-NashEquilibrium-Python.ipynb](GameTheory-04-NashEquilibrium-Python.ipynb) (ses sections 2 et 4). La lecture « croyances » des stratégies mixtes est traitée dans [DecInfer-11-Theories-Decision-Predicteur-Python.ipynb](../Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb)." ] }, { diff --git a/MyIA.AI.Notebooks/GameTheory/GameTheory-04j-Rationalisabilite-Python.ipynb b/MyIA.AI.Notebooks/GameTheory/GameTheory-04j-Rationalisabilite-Python.ipynb index 4461bdcbd62..36bd5c710cb 100644 --- a/MyIA.AI.Notebooks/GameTheory/GameTheory-04j-Rationalisabilite-Python.ipynb +++ b/MyIA.AI.Notebooks/GameTheory/GameTheory-04j-Rationalisabilite-Python.ipynb @@ -26,7 +26,7 @@ "2. le **théorème de Pearce (1984)** — jamais-meilleure-réponse *si et seulement si* dominée par une stratégie mixte — est vérifié numériquement **dans les deux sens**, par programmation linéaire ;\n", "3. l'**IDSDS cardinal** (itération de la suppression) définit les stratégies rationalisables ; sur les jeux mêmes du palier 04 (Dilemme du Prisonnier, Battle of the Sexes, chasse au cerf, Matching Pennies), on mesure que l'inclusion dans les équilibres est **stricte dès qu'aucune dominance n'amorce la purge**.\n", "\n", - "**Position dans la série** : accrétion du palier 04 — la rationalisabilité est la question « que délie la seule rationalité, sans équilibre ? » que le calcul des mixtes suppose tranchée. Le carnet 04i (Utilité Espérée et Risque) construit les utilités cardinales que la dominance par stratégies mixtes requiert ; [GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) lit les mixtes comme des croyances ; [GameTheory-02d-Epistemique-Connaissance-Commune-Python.ipynb](GameTheory-02d-Epistemique-Connaissance-Commune-Python.ipynb) construit les opérateurs de connaissance que la lecture épistémique (section 5) consomme. Source principale : Bonanno (2015), ch. 5.4 « Strict dominance and rationalizability » (p. 201-204), lu intégralement sur la copie archivée du gisement (`G:\\Mon Drive\\MyIA\\IA\\Bibliographie IA\\GameTheory\\`)." + "**Position dans la série** : accrétion du palier 04 — la rationalisabilité est la question « que délie la seule rationalité, sans équilibre ? » que le calcul des mixtes suppose tranchée. Le carnet 04i (Utilité Espérée et Risque) construit les utilités cardinales que la dominance par stratégies mixtes requiert ; [DecInfer-11-Theories-Decision-Predicteur-Python.ipynb](../Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb) lit les mixtes comme des croyances ; [GameTheory-02d-Epistemique-Connaissance-Commune-Python.ipynb](GameTheory-02d-Epistemique-Connaissance-Commune-Python.ipynb) construit les opérateurs de connaissance que la lecture épistémique (section 5) consomme. Source principale : Bonanno (2015), ch. 5.4 « Strict dominance and rationalizability » (p. 201-204), lu intégralement sur la copie archivée du gisement (`G:\\Mon Drive\\MyIA\\IA\\Bibliographie IA\\GameTheory\\`)." ] }, { diff --git a/MyIA.AI.Notebooks/GameTheory/README.md b/MyIA.AI.Notebooks/GameTheory/README.md index 39649738c12..0b7d88634dd 100644 --- a/MyIA.AI.Notebooks/GameTheory/README.md +++ b/MyIA.AI.Notebooks/GameTheory/README.md @@ -106,7 +106,7 @@ On apprend à représenter un jeu sous forme normale, puis à le résoudre : dom | 01 | Mise en route — [Python](GameTheory-01-Setup-Python.ipynb) | Installation de Nashpy et OpenSpiel, premier dilemme du prisonnier | 20 min | Découverte | — | | 02 | Forme normale — [Python](GameTheory-02-NormalForm-Python.ipynb) ([suite](GameTheory-02-NormalForm-Part2-Python.ipynb)) · [C#](GameTheory-02-NormalForm-CSharp.ipynb) ([suite](GameTheory-02-NormalForm-Part2-CSharp.ipynb)) | Matrices de gains, dominance, meilleure réponse ; la suite énumère les supports mixtes d'un jeu N×N | 45 min | Découverte | [02b](GameTheory-02b-Lean-Definitions-Lean.ipynb) · [02c](GameTheory-02c-Travelers-Dilemma-Python.ipynb) · [02d](GameTheory-02d-Epistemique-Connaissance-Commune-Python.ipynb) · [02e](GameTheory-02e-IESDS-Rationalisation-Python.ipynb) | | 03 | Topologie des jeux 2×2 — [Python](GameTheory-03-Topology2x2-Python.ipynb) · [C#](GameTheory-03-Topology2x2-CSharp.ipynb) | La table périodique de Robinson-Goforth : classer tous les jeux 2×2 ordinaux et dériver leur quotient | 80 min | Licence | [03b](GameTheory-03b-Chambres-Murs-Chemins-Lean-Python.ipynb) · [03d](GameTheory-03d-Deux-Especes-de-Fleches-Python.ipynb) · [03e](GameTheory-03e-Meta-Actions-Tarifees-Python.ipynb) | -| 04 | Équilibre de Nash — [Python](GameTheory-04-NashEquilibrium-Python.ipynb) · [C#](GameTheory-04-NashEquilibrium-CSharp.ipynb) | Nash pur et mixte, Lemke-Howson, analyse paramétrique | 60 min | Découverte | [04b](GameTheory-04b-Lean-NashExistence-Lean.ipynb) · [04c](GameTheory-04c-NashExistence-Python.ipynb) · [04d](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) · [04e](GameTheory-04e-Reflective-Oracles-Python.ipynb) · [04f](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) · [04g](GameTheory-04g-Supermodularite-Python.ipynb) · [04h](GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb) · [04h-Lean](GameTheory-04h-Routing-PriceOfAnarchy-Lean.ipynb) · [04i](GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb) · [04j](GameTheory-04j-Rationalisabilite-Python.ipynb) · [04k](GameTheory-04k-Equilibre-Correle-Python.ipynb) | +| 04 | Équilibre de Nash — [Python](GameTheory-04-NashEquilibrium-Python.ipynb) · [C#](GameTheory-04-NashEquilibrium-CSharp.ipynb) | Nash pur et mixte, Lemke-Howson, analyse paramétrique | 60 min | Découverte | [04b](GameTheory-04b-Lean-NashExistence-Lean.ipynb) · [04c](GameTheory-04c-NashExistence-Python.ipynb) · [04d](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) · [04e](GameTheory-04e-Reflective-Oracles-Python.ipynb) · [04g](GameTheory-04g-Supermodularite-Python.ipynb) · [04h](GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb) · [04h-Lean](GameTheory-04h-Routing-PriceOfAnarchy-Lean.ipynb) · [04i](GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb) · [04j](GameTheory-04j-Rationalisabilite-Python.ipynb) · [04k](GameTheory-04k-Equilibre-Correle-Python.ipynb) | | 05 | Jeux à somme nulle — [Python](GameTheory-05-ZeroSum-Minimax-Python.ipynb) · [C#](GameTheory-05-ZeroSum-Minimax-CSharp.ipynb) | Théorème minimax de von Neumann, programmation linéaire primal/dual | 40 min | Découverte | [05b](GameTheory-05b-Lean-Minimax-Lean.ipynb) · [05c](GameTheory-05c-KKT-Dualite-Lagrangienne-Python.ipynb) | | 06 | Évolution de la confiance — [Python](GameTheory-06-EvolutionTrust-Python.ipynb) · [C#](GameTheory-06-EvolutionTrust-CSharp.ipynb) | Tournoi d'Axelrod, tit-for-tat, dynamique du réplicateur, processus de Moran en population finie | 65 min | Découverte | [06b](Dynamics/Dynamics-02-Jeux-Repetes-Lean-Python.ipynb) · [06c](Dynamics/Dynamics-01-Jeux-Repetes-Folk-Theorem-Python.ipynb) · [06d](Dynamics/Dynamics-03-Sympathie-vs-Engagement-Python.ipynb) · [06e](Dynamics/Dynamics-04-Open-Source-Game-Theory-Python.ipynb) · [06f](Dynamics/Dynamics-05-Agents-Bornes-Python.ipynb) · [06f bis](Dynamics/Dynamics-06-Preuves-Bornees-Cout-du-Raisonnement-Python.ipynb) · [06g](Dynamics/Dynamics-05-Agents-Bornes-Lean.ipynb) · [06g bis](Dynamics/Dynamics-07-Equilibres-par-Simulation-Python.ipynb) · [06h](Dynamics/Dynamics-08-Institutions-Transparentes-Python.ipynb) · [06k](Dynamics/Dynamics-04b-FairBot-Loeb-Lean.ipynb) | @@ -213,7 +213,7 @@ Ces lettres prolongent la table périodique du 03 en une géométrie de l'espace | 04c | Point fixe discriminant — [Python](GameTheory-04c-NashExistence-Python.ipynb) · [C#](GameTheory-04c-NashExistence-CSharp.ipynb) | Brouwer rendu testable : la carte `perturbed_br` déplace un profil non équilibré et laisse fixe l'équilibre (voir [Pour aller plus loin](#pour-aller-plus-loin)) | Python · C# | Licence | | 04d | [Marchandage asymétrique](GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) | Point de désaccord, faisceau de dépendance, contre-exemple au principe du moindre intérêt | Python | Licence | | 04e | [Oracles réflexifs](GameTheory-04e-Reflective-Oracles-Python.ipynb) | Fallenstein, Taylor et Christiano (2015) : un agent qui raisonne sur un modèle de lui-même, l'écart CDT/EDT, un Nash réflexivement cohérent | Python | Recherche | -| 04f | [Théories de la décision face à un prédicteur](GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) | EDT, CDT et UDT sur Newcomb, la lésion de Fisher et d'autres problèmes dans un seul cadre générique ; 2TDT-1CDT ; inattention rationnelle | Python | Recherche | +| 04f → DecInfer | [Théories de la décision face à un prédicteur](../Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb) — *descendu vers l'arc décision de Probas ([DecInfer-11](../Probas/DecisionTheory/DecInfer/README.md)) : EDT, CDT et UDT sont des théories de la décision, non des équilibres* | EDT, CDT et UDT sur Newcomb, la lésion de Fisher et d'autres problèmes dans un seul cadre générique ; 2TDT-1CDT ; inattention rationnelle | Python | Recherche | | 04g | [Supermodularité et treillis des équilibres](GameTheory-04g-Supermodularite-Python.ipynb) | Complémentarité stratégique : tests de supermodularité et de différences croissantes sur un treillis produit, meilleure réponse monotone, ensemble des équilibres purs de Nash comme treillis complet (Topkis, Milgrom-Roberts, Zhou), comparaison monotone et bande d'hystérésis ; ce que ce treillis doit aux gains et non aux préférences | Python | Licence | | 04h | Jeux de routage & price of anarchy — [Python](GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb) · [Lean](GameTheory-04h-Routing-PriceOfAnarchy-Lean.ipynb) | Le price of anarchy **mesuré** côté Python : équilibre de Wardrop vs optimum social sur l'instance de Pigou (PoA = 4/3), la borne 4/3 de Roughgarden–Tardos pour les latences linéaires, et la frontière de validité du chiffre ; **prouvé** côté Lean : la borne atomique 2× par le potentiel de Rosenthal entier (chaîne C ≤ Φ′ ≤ 2C, module lake `CongestionGames`), témoin exact 2 et contre-exemple 15/7 | Python · Lean | Recherche | | 04i | [Utilité espérée et aversion au risque](GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb) | Le chaînon manquant des paiements du 04 : théorème de représentation vNM, élicitation par équivalence de probabilité, équivalent certain et prime de risque, puis mesure de ce que l'aversion au risque fait aux jeux mêmes du palier 04 — équilibres purs invariants, équilibres mixtes déplacés (Bonanno ch. 4) | Python | Licence | diff --git a/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-10-Thompson-Sampling.ipynb b/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-10-Thompson-Sampling.ipynb index 08924f54e02..17332eed094 100644 --- a/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-10-Thompson-Sampling.ipynb +++ b/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-10-Thompson-Sampling.ipynb @@ -16,7 +16,7 @@ "source": [ "# DecInfer-10-Thompson-Sampling : Bandits bayesiens par Infer.NET\n", "\n", - "**Serie** : Programmation Probabiliste avec Infer.NET (10/10)\n", + "**Serie** : Programmation Probabiliste avec Infer.NET (10/11)\n", "**Duree estimee** : 60 minutes\n", "**Prerequis** : [Infer-07-Skills-IRT](../../Infer/Infer-07-Skills-IRT.ipynb) (posterior Beta), [DecInfer-08-Sequential](DecInfer-08-Sequential.ipynb) (bandits, epsilon-greedy, UCB1)\n", "\n", @@ -34,9 +34,10 @@ "\n", "| Précédent | Suivant |\n", "|-----------|---------|\n", - "| [DecInfer-08-Sequential](DecInfer-08-Sequential.ipynb) | [Infer-05-Causal-Inference](../../Infer/Infer-05-Causal-Inference.ipynb) |\n", + "| [DecInfer-08-Sequential](DecInfer-08-Sequential.ipynb) | [DecInfer-11-Theories-Decision-Predicteur](DecInfer-11-Theories-Decision-Predicteur-Python.ipynb) |\n", "\n", - "> **Pont inter-series** : le traitement des bandits en [DecInfer-08](DecInfer-08-Sequential.ipynb) section 8 implemente epsilon-greedy, UCB1 et un exercice de Thompson **manuel** (comptage des succes/echecs, formule conjuguee codee a la main). Ce notebook en est le versant **moteur** : Infer.NET calcule le posterior Beta de chaque bras par inference variationnelle, et Thompson echantillonne depuis ce posterior." + "> **Pont inter-series** : le traitement des bandits en [DecInfer-08](DecInfer-08-Sequential.ipynb) section 8 implemente epsilon-greedy, UCB1 et un exercice de Thompson **manuel** (comptage des succes/echecs, formule conjuguee codee a la main). Ce notebook en est le versant **moteur** : Infer.NET calcule le posterior Beta de chaque bras par inference variationnelle, et Thompson echantillonne depuis ce posterior.\n", + "> **Sortie de serie** : [DecInfer-11-Theories-Decision-Predicteur](DecInfer-11-Theories-Decision-Predicteur-Python.ipynb) poursuit vers les theories de la decision face a un predicteur (EDT, CDT, UDT) ; la suite en causalite reste [Infer-05-Causal-Inference](../../Infer/Infer-05-Causal-Inference.ipynb)." ] }, { @@ -124,7 +125,6 @@ " The below script needs to be able to find the current output cell; this is an easy method to get it.\r\n", " \r\n", " \r\n", @@ -1822,4 +1814,4 @@ }, "nbformat": 4, "nbformat_minor": 5 -} \ No newline at end of file +} diff --git a/MyIA.AI.Notebooks/GameTheory/GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb b/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb similarity index 99% rename from MyIA.AI.Notebooks/GameTheory/GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb rename to MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb index 392e756c31d..1bcecf6b497 100644 --- a/MyIA.AI.Notebooks/GameTheory/GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb +++ b/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb @@ -14,16 +14,16 @@ "tags": [] }, "source": [ - "# GameTheory 04f — Théories de la décision face à un prédicteur : Newcomb, EDT, CDT, UDT et inattention rationnelle\n", + "# DecInfer 11 — Théories de la décision face à un prédicteur : Newcomb, EDT, CDT, UDT et inattention rationnelle\n", "\n", - "**Navigation** : [<< 4e-Reflective-Oracles](GameTheory-04e-Reflective-Oracles-Python.ipynb) | [Index](README.md) | [4g-Supermodularite >>](GameTheory-04g-Supermodularite-Python.ipynb)\n", + "**Navigation** : [<< DecInfer 10-Thompson-Sampling](DecInfer-10-Thompson-Sampling.ipynb) | [Index](README.md) | [GT-04e Oracles réflexifs (inter-séries)](../../../GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb)\n", "\n", "> **Sources primaires** (archives privées, PDF hors Git) :\n", "> - Wei Dai (2023). *UDT shows that decision theory is more puzzling than ever*. AI Alignment Forum, 13 septembre 2023. `G:\\Mon Drive\\MyIA\\IA\\Bibliographie IA\\Probabilistic\\2023 - Dai - UDT shows that decision theory is more puzzling than ever.pdf`\n", "> - Mohajeri (2023). *Conditional causal decision theory reduces to evidential decision theory*. Analytic Philosophy, doi:10.1111/phib.12298. `G:\\Mon Drive\\MyIA\\IA\\Bibliographie IA\\Probabilistic\\2023 - Mohajeri - Conditional causal decision theory reduces to evidential decision theory.pdf`\n", "> - Tong Mu, Stephan Zheng, Alexander Trott (2022). *Solving Dynamic Principal-Agent Problems with a Rationally Inattentive Principal*. arXiv:2202.01691. `G:\\Mon Drive\\MyIA\\IA\\Bibliographie IA\\GameTheory\\2022 - Mu Zheng Trott - Modeling Bounded Rationality in Multi-Agent Simulations.pdf`\n", "\n", - "Le notebook [04e](GameTheory-04e-Reflective-Oracles-Python.ipynb) a montré, sur une chasse au cerf corrélée, que la décision causale (CDT) et la décision évidentielle (EDT) peuvent désigner des actions différentes. Ce notebook creuse cet écart. Il pose la même question à plusieurs théories de la décision : **que faut-il compter comme conséquence de mon choix, quand un autre agent ou la nature est corrélé à ce choix ?**\n", + "Le notebook [GT-04e](../../../GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb) a montré, sur une chasse au cerf corrélée, que la décision causale (CDT) et la décision évidentielle (EDT) peuvent désigner des actions différentes. Ce notebook creuse cet écart. Il pose la même question à plusieurs théories de la décision : **que faut-il compter comme conséquence de mon choix, quand un autre agent ou la nature est corrélé à ce choix ?**\n", "\n", "| Théorie | Ce qu'elle évalue | Formule |\n", "|---|---|---|\n", @@ -2667,7 +2667,7 @@ "\n", "Aucune de ces théories ne l'emporte sur tous les critères à la fois. EDT et CDT échouent chacune sur des problèmes que l'autre résout. UDT les réconcilie sur ces problèmes, mais au prix de pertes ex post, d'une vulnérabilité mesurable dans 2TDT-1CDT et des sept problèmes ouverts de la section 7. Le constat de Dai tient : la théorie de la décision est plus difficile qu'on ne le pensait avant UDT.\n", "\n", - "**Pour aller plus loin** : le notebook [04e](GameTheory-04e-Reflective-Oracles-Python.ipynb) formalise, avec les oracles réflexifs, un agent qui raisonne sur un autre agent capable de le modéliser, c'est-à-dire la situation du problème 6." + "**Pour aller plus loin** : le notebook [GT-04e](../../../GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb) formalise, avec les oracles réflexifs, un agent qui raisonne sur un autre agent capable de le modéliser, c'est-à-dire la situation du problème 6." ] }, { @@ -2715,7 +2715,7 @@ "\n", "Les trois sources primaires citées en tête du notebook sont archivées dans la bibliographie partagée (chemins indiqués dans l'introduction) ; les PDF ne sont pas versionnés.\n", "\n", - "**Retour** : [<< GT-04e Oracles réflexifs](GameTheory-04e-Reflective-Oracles-Python.ipynb) | [Index GameTheory](README.md)" + "**Retour** : [<< DecInfer 10-Thompson-Sampling](DecInfer-10-Thompson-Sampling.ipynb) | [Index DecInfer](README.md)" ] } ], @@ -2743,8 +2743,8 @@ "end_time": "2026-09-23T12:14:37.319675+00:00", "environment_variables": {}, "exception": null, - "input_path": "GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb", - "output_path": "GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb", + "input_path": "DecInfer-11-Theories-Decision-Predicteur-Python.ipynb", + "output_path": "DecInfer-11-Theories-Decision-Predicteur-Python.ipynb", "parameters": {}, "start_time": "2026-09-23T12:14:13.505904+00:00", "version": "2.7.0" diff --git a/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/README.md b/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/README.md index c5ce58db679..68b24eb0d1c 100644 --- a/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/README.md +++ b/MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/README.md @@ -2,11 +2,11 @@ [← Série Probas](../../README.md) | [↑ Arc Théorie de la Décision](../README.md) | [Corpus bayésien Infer (C#) →](../../Infer/README.md) | [Lake Lean `decision_theory_lean` →](../decision_theory_lean/) -Arc autonome de **théorie de la décision bayésienne** en Infer.NET : les notebooks 1-10 et l'accrétion Lean 2b prolongent la modélisation probabiliste (le corpus bayésien [`../../Infer/`](../../Infer/README.md)) jusqu'au **choix d'action sous incertitude**. Un posterior n'est pas une fin — c'est l'**input** d'une politique optimale. Cette série formalise ce passage, de l'utilité espérée aux processus markoviens, jusqu'à la **preuve formelle Lean 4** de l'indice de Gittins. +Arc autonome de **théorie de la décision bayésienne** en Infer.NET : les notebooks 1-11 et les accrétions Lean prolongent la modélisation probabiliste (le corpus bayésien [`../../Infer/`](../../Infer/README.md)) jusqu'au **choix d'action sous incertitude**. Un posterior n'est pas une fin — c'est l'**input** d'une politique optimale. Cette série formalise ce passage, de l'utilité espérée aux processus markoviens, jusqu'à la **preuve formelle Lean 4** de l'indice de Gittins, puis aux **théories de la décision face à un prédicteur** (EDT, CDT, UDT — notebook 11, venu de GameTheory). **Prérequis** : le corpus bayésien [`../../Infer/`](../../Infer/README.md) (notamment [Infer-04-Bayesian-Networks](../../Infer/Infer-04-Bayesian-Networks.ipynb), [Infer-07-Skills-IRT](../../Infer/Infer-07-Skills-IRT.ipynb) pour les posteriors Beta). Aucun prérequis en théorie de la décision : les axiomes de Von Neumann-Morgenstern sont introduits ex nihilo. -**Stack** : Infer.NET (.NET 9.0 + dotnet-interactive), EP/VMP par défaut. Les notebooks companions (2, 2b, 8b) utilisent le **kernel Lean 4** (WSL) et le lake [`decision_theory_lean`](../decision_theory_lean/). +**Stack** : Infer.NET (.NET 9.0 + dotnet-interactive), EP/VMP par défaut. Les notebooks companions (2, 2b, 8b) utilisent le **kernel Lean 4** (WSL) et le lake [`decision_theory_lean`](../decision_theory_lean/) ; le notebook 11 (descendu de GameTheory) utilise le **kernel Python**. ## Pourquoi un arc autonome @@ -27,8 +27,9 @@ Jusqu'à la restructuration de la série, la théorie de la décision était imb | 8 | [DecInfer-08-Sequential](DecInfer-08-Sequential.ipynb) | 60 min | MDPs, itération valeur/politique | | 08b | [DecInfer-08b-Lean-Gittins](DecInfer-08b-Lean-Gittins.ipynb) | 45 min | Preuves formelles Lean 4, indice de Gittins, SFABP | | 10 | [DecInfer-10-Thompson-Sampling](DecInfer-10-Thompson-Sampling.ipynb) | 60 min | Thompson Sampling bayésien, posterior Beta-Bernoulli par le moteur, regret vs ε-greedy/UCB1 | +| 11 | [DecInfer-11-Theories-Decision-Predicteur](DecInfer-11-Theories-Decision-Predicteur-Python.ipynb) | 75 min | EDT, CDT, CCDT, UDT/FDT sur Newcomb et la lésion de Fisher dans un cadre générique ; 2TDT-1CDT ; inattention rationnelle (Blahut-Arimoto) | -**Durée totale** : ~8h +**Durée totale** : ~9h15 ## Progression Pédagogique @@ -39,17 +40,18 @@ flowchart TD C["Valeur & robustesse (6-7)
EVPI/EVSI · Minimax/regret"] D["Séquentiel (8)
MDPs · Bellman"] E["Preuve & bandits (9-10)
Gittins (Lean) · Thompson Sampling"] + F["Palier terminal (11)
EDT/CDT/UDT face à un prédicteur"] BAY["Corpus bayésien
../Infer/ (posteriors)"] LAKE["Lake decision_theory_lean
(companions 2, 2b, 8b)"] BAY -->|"posterior = input"| A - A --> B --> C --> D --> E + A --> B --> C --> D --> E --> F E -.->|"formalisation"| LAKE %% color: explicite -- sans lui, libelle clair sur fond clair en mode sombre GitHub (#15022) ; ne pas harmoniser le ton avec le stroke (libelle sinon illisible) classDef lean fill:#fff3cd,stroke:#856404,stroke-width:2px,color:#856404; class LAKE lean; ``` -Le socle des **fondations** (1-3) pose les axiomes de rationalité et la notion d'aversion au risque ; les notebooks 4-5 étendent aux décisions multi-critères et aux réseaux de décision (nœuds de chance/décision/utilité) ; 6-7 mesurent la valeur de l'information et la robustesse sous incertitude sévère ; 8 introduit le séquentiel (MDPs, équation de Bellman) ; 9-10 clôturent par les **bandits bayésiens** (Thompson Sampling calculé par le moteur Infer.NET) et la **preuve formelle Lean 4** de l'indice de Gittins. +Le socle des **fondations** (1-3) pose les axiomes de rationalité et la notion d'aversion au risque ; les notebooks 4-5 étendent aux décisions multi-critères et aux réseaux de décision (nœuds de chance/décision/utilité) ; 6-7 mesurent la valeur de l'information et la robustesse sous incertitude sévère ; 8 introduit le séquentiel (MDPs, équation de Bellman) ; 9-10 clôturent par les **bandits bayésiens** (Thompson Sampling calculé par le moteur Infer.NET) et la **preuve formelle Lean 4** de l'indice de Gittins ; le palier terminal (11) change de question : non plus *quelle action choisir sous incertitude*, mais *que faut-il compter comme conséquence de mon choix* quand un prédicteur est corrélé à lui — EDT, CDT, UDT. ## Détail des notebooks @@ -127,6 +129,12 @@ Le **bandit multi-bras** vu comme un programme probabiliste Infer.NET : le moteu Applications : A/B testing adaptatif, recommandation en ligne, essais cliniques séquentiels. +### DecInfer-11 : Théories de la décision face à un prédicteur + +**Durée** : 75 min | **Kernel** : Python | **Prérequis** : [GT-04e Oracles réflexifs](../../../GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb) (inter-séries — l'écart CDT/EDT), probabilités conditionnelles + +**Palier terminal de l'arc**, descendu de GameTheory (où il portait le numéro 04f) : les théories de la décision relèvent de l'arc décision, non de la théorie des équilibres. La question n'est plus *quelle action maximise l'utilité espérée* mais **que faut-il compter comme conséquence de mon choix** quand un autre agent ou la nature est corrélé à ce choix. EDT (l'acte comme indice), CDT (l'acte comme intervention), CCDT (Edgington), UDT/FDT (une politique choisie avant toute observation) sont évaluées **dans un seul cadre générique** — sans coder les verdicts à la main — sur le problème de Newcomb, la lésion de Fisher et le 2TDT-1CDT de Wei Dai, avec seuils exacts en `fractions.Fraction` recoupés par simulation et par un modèle causal ajusté (`dowhy`). L'inattention rationnelle (Sims) clôt le notebook par l'algorithme de Blahut-Arimoto. Le notebook ne tranche pas entre les théories : il mesure ce que chacune recommande et ce que cette recommandation rapporte. + ## Ponts inter-series | Série | Lien | Relation | @@ -134,11 +142,11 @@ Applications : A/B testing adaptatif, recommandation en ligne, essais cliniques | [Corpus bayésien Infer](../../Infer/README.md) | Posteriors (Beta, gaussianes) | Le posterior est l'input de la politique de décision | | [PyMC](../DecPyMC/README.md) | DecPyMC-01 à DecPyMC-07 | Même arc décision en Python/NUTS (Thompson MCMC, diagnostics ArviZ) | | [Lake `decision_theory_lean`](../decision_theory_lean/) | Companions 2, 2b, 8b | Preuves formelles Lean 4 (vNM, de Finetti, Gittins) | -| [GameTheory](../../../GameTheory/README.md) | Décision sous incertitude | Miroir : adversaire rationnel vs processus stochastique | +| [GameTheory](../../../GameTheory/README.md) | Décision sous incertitude | Miroir : adversaire rationnel vs processus stochastique ; [GT-04e Oracles réflexifs](../../../GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb), prérequis de DecInfer-11, et le palier 04 de GameTheory renvoient ici | [RL](../../../RL/README.md) | MDPs (DecInfer-08) | L'agent apprend la politique par interaction | ## Conclusion -La théorie de la décision bayésienne ferme la boucle ouverte par le corpus bayésien : un posterior n'est utile que s'il informe une **action**. De l'**utilité espérée** (DecInfer-01) aux **MDPs** (DecInfer-08), cet arc montre que décider sous incertitude est un calcul rigoureux — et les companions Lean 4 (DecInfer-02, DecInfer-02b, DecInfer-08b) ancrent ce calcul dans la **preuve formelle** : l'indice de Gittins n'est pas une heuristique, c'est un théorème. +La théorie de la décision bayésienne ferme la boucle ouverte par le corpus bayésien : un posterior n'est utile que s'il informe une **action**. De l'**utilité espérée** (DecInfer-01) aux **MDPs** (DecInfer-08) et aux **théories de la décision face à un prédicteur** (DecInfer-11), cet arc montre que décider sous incertitude est un calcul rigoureux — et les companions Lean 4 (DecInfer-02, DecInfer-02b, DecInfer-08b) ancrent ce calcul dans la **preuve formelle** : l'indice de Gittins n'est pas une heuristique, c'est un théorème. Bonne exploration de la théorie de la décision bayésienne ! diff --git a/MyIA.AI.Notebooks/Probas/DecisionTheory/README.md b/MyIA.AI.Notebooks/Probas/DecisionTheory/README.md index b17e4bcf5c2..9030c91bf15 100644 --- a/MyIA.AI.Notebooks/Probas/DecisionTheory/README.md +++ b/MyIA.AI.Notebooks/Probas/DecisionTheory/README.md @@ -68,7 +68,7 @@ Le parcours suit une progression unique, portée en parallèle par les deux mote ### `DecInfer/` — l'arc de référence (Infer.NET + Lean 4) -Onze notebooks, dont **huit en C#/.NET Interactive** (message passing EP/VMP) et **trois à kernel Lean 4** (companions natifs de preuve formelle). C'est l'arc canonique, le plus complet ; il va des axiomes vNM (notebook 1) jusqu'au Thompson Sampling (notebook 10), avec les preuves Lean de vNM (notebook 2), de de Finetti (notebook 2b) et de Gittins (notebook 8b) intercalées à leur place pédagogique. **Détail notebook par notebook** : [`DecInfer/README.md`](DecInfer/README.md). +Douze notebooks, dont **huit en C#/.NET Interactive** (message passing EP/VMP), **trois à kernel Lean 4** (companions natifs de preuve formelle) et **un à kernel Python** (notebook 11). C'est l'arc canonique, le plus complet ; il va des axiomes vNM (notebook 1) jusqu'aux théories de la décision face à un prédicteur (notebook 11, EDT/CDT/UDT — descendu de GameTheory), avec les preuves Lean de vNM (notebook 2), de de Finetti (notebook 2b) et de Gittins (notebook 8b) intercalées à leur place pédagogique. **Détail notebook par notebook** : [`DecInfer/README.md`](DecInfer/README.md). ### `DecPyMC/` — le miroir Python (MCMC) diff --git a/_quarto.yml b/_quarto.yml index e7f2563a086..1895002defc 100644 --- a/_quarto.yml +++ b/_quarto.yml @@ -943,7 +943,6 @@ project: - "MyIA.AI.Notebooks/GameTheory/GameTheory-04c-NashExistence-Python.ipynb" - "MyIA.AI.Notebooks/GameTheory/GameTheory-04d-Marchandage-Asymetrique-Python.ipynb" - "MyIA.AI.Notebooks/GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb" - - "MyIA.AI.Notebooks/GameTheory/GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb" - "MyIA.AI.Notebooks/GameTheory/GameTheory-04g-Supermodularite-Python.ipynb" - "MyIA.AI.Notebooks/GameTheory/GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb" - "MyIA.AI.Notebooks/GameTheory/GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb" @@ -1656,6 +1655,7 @@ project: - "MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-08-Sequential.ipynb" - "MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-08b-Lean-Gittins.ipynb" - "MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-10-Thompson-Sampling.ipynb" + - "MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb" - "MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-08-Actuariat-Capstone.ipynb" - "MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-01-Utility-Foundations.ipynb" - "MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-02-Utility-Money.ipynb" diff --git a/docs/curriculum/recherche.md b/docs/curriculum/recherche.md index 9546c291123..d051faefb90 100644 --- a/docs/curriculum/recherche.md +++ b/docs/curriculum/recherche.md @@ -52,7 +52,7 @@ Inférence probabiliste (Infer.NET, Pyro, PyMC), théorie de l'information inté | 21 | [GameTheory 4c - Theoreme d'Existence de Nash (Python)](../../MyIA.AI.Notebooks/GameTheory/GameTheory-04c-NashExistence-Python.ipynb) | BETA | Non | | 22 | [GameTheory-04d-Marchandage-Asymetrique-Python](../../MyIA.AI.Notebooks/GameTheory/GameTheory-04d-Marchandage-Asymetrique-Python.ipynb) | ALPHA | Oui | | 23 | [GameTheory 04e — Oracles réflexifs, décision causale et…](../../MyIA.AI.Notebooks/GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb) | BETA | Oui | -| 24 | [GameTheory 04f — Théories de la décision face à un…](../../MyIA.AI.Notebooks/GameTheory/GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb) | BETA | Oui | +| 24 | [DecInfer 11 — Théories de la décision face à un…](../../MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb) | BETA | Oui | | 25 | [GameTheory 04g — Supermodularité et treillis des…](../../MyIA.AI.Notebooks/GameTheory/GameTheory-04g-Supermodularite-Python.ipynb) | BETA | Oui | | 26 | [GameTheory-04h — Jeux de routage / congestion & Price…](../../MyIA.AI.Notebooks/GameTheory/GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb) | BETA | Oui | | 27 | [GameTheory-04i — Utilité espérée et aversion au risque](../../MyIA.AI.Notebooks/GameTheory/GameTheory-04i-Utilite-Esperee-Risque-Python.ipynb) | BETA | Oui | diff --git a/docs/reference/rename-ledger.tsv b/docs/reference/rename-ledger.tsv index 7028ab94f51..68918ad2261 100644 --- a/docs/reference/rename-ledger.tsv +++ b/docs/reference/rename-ledger.tsv @@ -456,3 +456,4 @@ MyIA.AI.Notebooks/IIT/ICT-Series/ICT-Life-SubstratCertifie.ipynb MyIA.AI.Noteboo MyIA.AI.Notebooks/IIT/ICT-Series/ICT-MUH-FibreTegmark.ipynb MyIA.AI.Notebooks/IIT/ICT-Series/ICT-MUH-FibreTegmark-Python.ipynb 2026-11-04 myia-po-2024:CoursIA MyIA.AI.Notebooks/IIT/ICT-Series/ICT-SAE-JLens-TeteATete.ipynb MyIA.AI.Notebooks/IIT/ICT-Series/ICT-SAE-JLens-TeteATete-Python.ipynb 2026-11-04 myia-po-2024:CoursIA MyIA.AI.Notebooks/IIT/ICT-Series/ICT-Synthese-CrossSubstrat.ipynb MyIA.AI.Notebooks/IIT/ICT-Series/ICT-Synthese-CrossSubstrat-Python.ipynb 2026-11-04 myia-po-2024:CoursIA +MyIA.AI.Notebooks/GameTheory/GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb 2026-11-05 myia-po-2025:CoursIA diff --git a/scripts/notebook_tools/pedagogy_density_baseline.json b/scripts/notebook_tools/pedagogy_density_baseline.json index 314ea0559e9..2f5391a7ea5 100644 --- a/scripts/notebook_tools/pedagogy_density_baseline.json +++ b/scripts/notebook_tools/pedagogy_density_baseline.json @@ -62,7 +62,6 @@ "MyIA.AI.Notebooks/GameTheory/GameTheory-04c-NashExistence-Python.ipynb": 1390.267, "MyIA.AI.Notebooks/GameTheory/GameTheory-04d-Marchandage-Asymetrique-Python.ipynb": 1259.25, "MyIA.AI.Notebooks/GameTheory/GameTheory-04e-Reflective-Oracles-Python.ipynb": 1521.556, - "MyIA.AI.Notebooks/GameTheory/GameTheory-04f-Theories-Decision-Predicteur-Python.ipynb": 2250.696, "MyIA.AI.Notebooks/GameTheory/GameTheory-04g-Supermodularite-Python.ipynb": 2525.692, "MyIA.AI.Notebooks/GameTheory/GameTheory-04h-Routing-PriceOfAnarchy-Python.ipynb": 808.25, "MyIA.AI.Notebooks/GameTheory/GameTheory-04j-Rationalisabilite-Python.ipynb": 1533.556, @@ -735,6 +734,7 @@ "MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-08-Sequential.ipynb": 3577.786, "MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-08b-Lean-Gittins.ipynb": 2463.2, "MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-10-Thompson-Sampling.ipynb": 1809.615, + "MyIA.AI.Notebooks/Probas/DecisionTheory/DecInfer/DecInfer-11-Theories-Decision-Predicteur-Python.ipynb": 2250.696, "MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-08-Actuariat-Capstone.ipynb": 1952.2, "MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-01-Utility-Foundations.ipynb": 1957.0, "MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-02-Utility-Money.ipynb": 1202.536,