File size: 307,359 Bytes
2974490
7e115b3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2974490
7e115b3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2974490
7e115b3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2974490
7e115b3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
<!doctype html><html lang="fr" data-theme="light"><head><meta charset="utf-8"><meta name="theme-color" content="#3F6AA6"><meta name="author" content="Dr Ibrahima Diouf, Mme Mariama Diallo et M. Alpha Oumar Bah"><meta name="viewport" content="width=device-width,initial-scale=1"><meta name="description" content="Module complet de Licence 1 : informatique de base et IA, Université de Labé. Huit cours développés, activités corrigées, recherche et assistant documentaire local."><title>Informatique & IA · Licence 1 · Université de Labé</title><style>
:root{--navy:#163657;--blue:#275e93;--ink:#1d3046;--muted:#5b6c7d;--bg:#eff3f7;--line:#d8e1ea;--gold:#c68a24;--green:#21714f;--red:#a62c31}*{box-sizing:border-box}body{margin:0;color:var(--ink);background:var(--bg);font:16px/1.75 system-ui,-apple-system,'Segoe UI',sans-serif}button,input,select,textarea{font:inherit}button,a{touch-action:manipulation}button{cursor:pointer}button:disabled{cursor:default;opacity:.55}a{color:var(--blue)}:focus-visible{outline:3px solid #d49d38;outline-offset:4px}[hidden]{display:none!important}.sr{position:absolute;width:1px;height:1px;overflow:hidden;clip-path:inset(50%)}.skip{position:fixed;left:12px;top:-80px;background:#fff;padding:10px;z-index:100}.skip:focus{top:10px}header{background:var(--navy);color:#fff;padding:20px max(24px,4vw);display:flex;gap:25px;align-items:center}.logo{display:flex;align-items:center;background:#fff;padding:12px;border-radius:5px;flex-shrink:0}.logo img{width:185px;height:auto;display:block}header h1{font-size:22px;margin:0;line-height:1.4}header p{font-size:12px;color:#d0ddeb;margin:3px 0}.identity{margin-left:auto;text-align:right;font-size:12px;color:#d0ddeb}.shell{max-width:1500px;margin:auto;padding:0 max(20px,3vw) 60px}.utility{background:#fff;border-bottom:1px solid var(--line)}.utility>div{max-width:1500px;margin:auto;display:flex;gap:4px;padding:0 max(20px,3vw);overflow:auto}.navbtn{background:none;border:0;color:var(--muted);white-space:nowrap;padding:16px 18px;border-bottom:3px solid transparent}.navbtn.active{color:var(--blue);border-bottom-color:var(--blue);font-weight:700}.coursebar{display:flex;gap:8px;overflow:auto;padding:20px 0 10px}.coursepill{background:white;border:1px solid var(--line);border-radius:5px;padding:8px 14px;white-space:nowrap;font-size:13px;color:var(--ink)}.coursepill.active{background:var(--navy);color:#fff;border-color:var(--navy)}h1,h2,h3,h4{line-height:1.3}h2{font-size:29px;margin:10px 0 14px}h3{font-size:20px;margin:0 0 12px}h4{font-size:16px;margin:22px 0 8px}p{margin:12px 0}.muted{color:var(--muted)}.eyebrow{text-transform:uppercase;letter-spacing:1.5px;font-size:11px;color:var(--blue);font-weight:800}.hero{display:grid;grid-template-columns:1.3fr 1fr;gap:45px;padding:38px 0 28px;align-items:center}.hero h2{font-size:clamp(31px,3.8vw,50px);letter-spacing:-1.5px;line-height:1.16}.hero p{font-size:17px}.hero-note{background:var(--navy);padding:30px;border-radius:9px;color:#fff}.hero-note .eyebrow{color:#bdd1e6}.hero-note p{color:#d5e2ef;font-size:14px}.stats{display:grid;grid-template-columns:repeat(4,1fr);background:white;border:1px solid var(--line);border-radius:8px;margin:10px 0 30px}.stats>div{padding:18px 22px;border-right:1px solid var(--line)}.stats>div:last-child{border:0}.stats strong{display:block;font-size:26px}.stats span{font-size:12px;color:var(--muted)}.grid{display:grid;grid-template-columns:repeat(2,minmax(0,1fr));gap:20px}.three{grid-template-columns:repeat(3,minmax(0,1fr))}.card{padding:25px;background:white;border:1px solid var(--line);border-radius:8px}.card p:last-child{margin-bottom:0}.cardlink{display:flex;flex-direction:column;align-items:start}.cardlink .btn{margin-top:auto}.cardlink h3{margin-top:10px}.badge{display:inline-block;border-radius:4px;padding:3px 9px;background:#e7eef6;color:var(--blue);font-size:11px;font-weight:700}.btn{border:1px solid var(--blue);background:var(--blue);color:white;border-radius:5px;padding:9px 16px;font-weight:650;font-size:14px}.btn.secondary{background:#fff;color:var(--blue)}.btn.small{padding:5px 10px;font-size:12px}.actions{display:flex;gap:10px;flex-wrap:wrap;margin:20px 0}.notice{padding:14px 18px;background:#e6eef7;border-radius:5px;font-size:13px;margin:22px 0}.sectionhead{display:flex;justify-content:space-between;align-items:start;gap:20px;margin:28px 0 20px}.sectionhead p{margin:5px 0;color:var(--muted)}.subnav{display:flex;gap:8px;overflow:auto;border-bottom:1px solid var(--line);margin:20px 0}.subnav button{border:0;border-bottom:3px solid transparent;background:none;padding:12px 16px;white-space:nowrap;color:var(--muted)}.subnav button.active{color:var(--blue);border-color:var(--blue);font-weight:700}.reader{display:grid;grid-template-columns:250px minmax(0,1fr);gap:24px;align-items:start}.toc{background:#fff;border:1px solid var(--line);border-radius:7px;padding:10px;position:sticky;top:15px}.toc button{display:block;width:100%;border:0;background:none;padding:11px;text-align:left;font-size:13px;color:var(--ink);border-radius:4px}.toc button.active{background:#e7eff7;color:var(--blue);font-weight:700}.article{background:#fff;border:1px solid var(--line);border-radius:8px;padding:32px;max-width:100%;overflow-wrap:anywhere}.article p{max-width:900px;margin:18px 0}.article .definition{background:#eaf1f8;border-left:4px solid var(--blue);padding:18px 22px;font-size:18px;line-height:1.65}.example{padding:15px 20px;background:#fffaf0;border-left:3px solid var(--gold);margin:22px 0}.pitfall{padding:15px 20px;background:#f7f0f1;border-left:3px solid #b96363;font-size:14px;margin:20px 0}.chips{display:flex;gap:8px;flex-wrap:wrap;margin:15px 0}.chip{border:1px solid #b8cadd;background:#fff;color:var(--blue);border-radius:5px;padding:6px 10px;font-size:12px;text-align:left}.chapterfooter{display:flex;justify-content:space-between;gap:10px;flex-wrap:wrap;border-top:1px solid var(--line);padding-top:20px;margin-top:25px}.progress{height:6px;background:#dce5ee;border-radius:5px;overflow:hidden;margin-top:12px}.progress span{display:block;height:100%;background:var(--blue)}.fields{display:grid;grid-template-columns:repeat(3,minmax(0,1fr));gap:14px}.field{display:flex;flex-direction:column;gap:7px;font-size:13px;font-weight:600;margin:12px 0}input,textarea,select{padding:10px 12px;border:1px solid #b3c3d4;border-radius:5px;color:var(--ink);background:#fff;min-width:0;width:100%}textarea{resize:vertical;min-height:95px}.query{display:flex;gap:10px;margin:20px 0}.query input{flex:1}.query button{white-space:nowrap}details{border-top:1px solid var(--line);padding-top:14px;margin-top:15px}summary{cursor:pointer;font-weight:650;font-size:14px}.question{padding:20px 24px;background:white;border:1px solid var(--line);border-radius:7px;margin:14px 0}.options{display:grid;gap:8px;margin:14px 0}.option{padding:10px 14px;background:#fff;text-align:left;border:1px solid var(--line);border-radius:5px;color:var(--ink)}.option.selected{border-color:var(--blue);background:#eaf1f9}.feedback{font-size:14px}.good{color:var(--green)}.bad{color:var(--red)}.result{border-top:1px solid var(--line);padding-top:20px;margin-top:20px}.score{font-size:28px;font-weight:750;color:var(--blue)}table{width:100%;border-collapse:collapse;font-size:14px;margin:18px 0}td,th{text-align:left;padding:10px;border-bottom:1px solid var(--line);overflow-wrap:anywhere}th{background:#eaf0f6}.scrolltable{overflow:auto}pre{white-space:pre-wrap;overflow-wrap:anywhere;background:#f1f5f8;padding:20px;border-radius:5px;font:14px/1.7 ui-monospace,monospace}.slide{width:100%;height:auto;display:block;background:#fff;border:1px solid var(--line)}.slidetool{display:flex;justify-content:space-between;align-items:center;gap:10px;margin:16px 0}.resultitem{margin:14px 0}.resultitem h3{font-size:18px}.termlayout{display:grid;grid-template-columns:1fr 290px;gap:22px}.count{font-size:13px;color:var(--muted)}footer{border-top:1px solid var(--line);padding:22px max(24px,4vw);font-size:12px;display:flex;justify-content:space-between;gap:15px;flex-wrap:wrap;color:var(--muted)}#print-root{display:none}.reading{font-size:12px;color:var(--muted)}.noteinput{min-height:70px}ol,ul{padding-left:24px}li{margin:8px 0}.inline-result{min-height:25px}body.large .article{font-size:19px}.controls{display:flex;gap:8px;flex-wrap:wrap}.exam-summary{display:flex;gap:15px;align-items:center;flex-wrap:wrap}.empty{padding:35px;text-align:center;color:var(--muted)}
@media(max-width:1050px){.identity{display:none}.reader{grid-template-columns:210px minmax(0,1fr)}.termlayout{grid-template-columns:1fr}.termlayout aside{display:none}.three{grid-template-columns:repeat(2,minmax(0,1fr))}.hero{gap:24px}}@media(max-width:760px){header{padding:16px 20px;gap:15px}.logo img{width:115px}header h1{font-size:17px}header p{font-size:10px}.hero{grid-template-columns:1fr}.hero h2{font-size:34px}.stats{grid-template-columns:1fr 1fr}.stats>div:nth-child(2){border:0}.grid,.three{grid-template-columns:1fr}.reader{grid-template-columns:1fr}.toc{position:static;display:flex;overflow:auto}.toc button{min-width:185px}.article{padding:23px}.fields{grid-template-columns:1fr 1fr}.sectionhead{display:block}.query{flex-direction:column}.shell{padding:0 16px 40px}.utility>div{padding:0 12px}.navbtn{padding:12px}.slide{min-width:0}.article .definition{font-size:17px;padding:14px}.slidetool{flex-wrap:wrap}}@media print{body{background:white;font:11pt/1.6 Arial,sans-serif}header,.utility,footer,.shell{display:none!important}#print-root{display:block}.printchapter{break-before:page}.printchapter:first-child{break-before:auto}details>*{display:block!important}h2,h3{break-after:avoid}.example,.pitfall{break-inside:avoid}.btn,.chip{display:none}}
@font-face {
  font-family: 'IBM Plex Sans';
  font-style: normal;
  font-weight: 400;
  font-stretch: normal;
  font-display: swap;
  src: url(police-01.ttf) format('truetype');
}

@font-face {
  font-family: 'IBM Plex Sans';
  font-style: normal;
  font-weight: 500;
  font-stretch: normal;
  font-display: swap;
  src: url(police-02.ttf) format('truetype');
}

@font-face {
  font-family: 'IBM Plex Sans';
  font-style: normal;
  font-weight: 600;
  font-stretch: normal;
  font-display: swap;
  src: url(police-03.ttf) format('truetype');
}

@font-face {
  font-family: 'IBM Plex Sans';
  font-style: normal;
  font-weight: 700;
  font-stretch: normal;
  font-display: swap;
  src: url(police-04.ttf) format('truetype');
}

@font-face {
  font-family: 'Manrope';
  font-style: normal;
  font-weight: 600;
  font-display: swap;
  src: url(police-05.ttf) format('truetype');
}

@font-face {
  font-family: 'Manrope';
  font-style: normal;
  font-weight: 700;
  font-display: swap;
  src: url(police-06.ttf) format('truetype');
}

@font-face {
  font-family: 'Manrope';
  font-style: normal;
  font-weight: 800;
  font-display: swap;
  src: url(police-07.ttf) format('truetype');
}

/* Édition à accès individuel: visual alignment with the supplied Heatwave reference. */
:root{--page:#3F6AA6;--navy:#1F3864;--blue:#2E5597;--ink:#1b2333;--muted:#5b6475;--bg:#f3f5fa;--line:#d9dee8;--gold:#F2B632;--hband:#1B3256;--hband2:#24467A;--hmuted:#C9D6EA;--bodyfont:'IBM Plex Sans','Segoe UI',Arial,sans-serif;--display:'Manrope','Segoe UI',Arial,sans-serif}
body{background:var(--page);font:16px/1.6 var(--bodyfont);overflow-x:hidden}h1,h2,h3,h4{font-family:var(--display);font-weight:800;color:var(--navy)}.ic{display:inline-block;width:22px;height:22px;vertical-align:middle;flex-shrink:0}.btn .ic{width:18px;height:18px}header{background:var(--page);padding:17px clamp(18px,3.4vw,64px);gap:18px;min-height:98px}.logo{height:64px;border-radius:12px;padding:8px 14px;box-shadow:0 2px 5px #172d4826}.logo img{width:195px;max-height:48px;object-fit:contain}.brand-sep{height:42px;width:1px;background:#ffffff55;flex-shrink:0}.brand-titles{flex:1;min-width:0}header h1{color:#fff;font-size:22px;letter-spacing:-.5px;line-height:1.3}header p{font-size:14px;margin:4px 0 0;color:#e8eef8}.level-pill{display:flex;align-items:center;background:#fff;border-radius:999px;padding:5px;gap:3px;color:var(--navy);font-weight:700;box-shadow:0 3px 9px #172d4830;white-space:nowrap}.level-pill span,.level-pill strong{padding:10px 16px;border-radius:999px;font-size:13px}.level-pill strong{background:var(--gold)}.utility{position:sticky;top:0;z-index:25;background:#fff}.utility>div{max-width:none;padding:0 clamp(18px,3.4vw,64px);gap:8px}.navbtn{color:var(--ink);font-size:16px;padding:15px 12px;font-weight:600}.navbtn.active{color:#2c5faf;border-bottom-color:#2c5faf}.navbtn:hover{color:#2c5faf;background:#f5f7fb}.shell{max-width:none;margin:0 clamp(8px,2vw,38px);padding:0 clamp(16px,2.2vw,38px) 42px;background:var(--bg);border-radius:0 0 28px 28px;min-height:65vh}.coursebar{padding:22px 0 0;gap:8px}.coursepill{border-radius:10px;padding:9px 15px;border:1.5px solid #c8d3e4;font-weight:600}.coursepill.active{background:var(--navy);border-color:var(--navy)}.coursepill:hover{box-shadow:0 2px 8px #1f386420}.sectionhead{padding-top:26px;margin:0 0 22px;align-items:center}.sectionhead .eyebrow,.article>.eyebrow{font-family:ui-monospace,monospace;color:#b04438;letter-spacing:1.7px}.sectionhead h2{font-size:28px;letter-spacing:-.7px}.sectionhead p{font-size:15px}.badge{border-radius:999px;font-weight:600;padding:6px 12px}.card,.article,.question{border-radius:16px;box-shadow:0 1px 2px #14213a08,0 8px 22px -14px #14213a30}.card{padding:25px}.article{padding:34px 38px}.article h2{font-size:30px;letter-spacing:-.8px}.article h3{font-size:20px}.article .definition{border-left-color:#2E5597;border-radius:0 10px 10px 0;background:#edf2fa}.example{border-left-color:#e7ab2b;border-radius:0 10px 10px 0}.pitfall{border-left-color:#c0463c;border-radius:0 10px 10px 0}.toc{border-radius:14px;box-shadow:0 3px 15px #1f38640a;top:77px;padding:10px}.toc button{border-radius:9px;font-size:13px;padding:12px}.toc button.active{background:#e5edf9;color:#244c87;box-shadow:inset 3px 0 #2E5597}.subnav{background:#fff;border:1px solid var(--line);border-radius:12px;padding:5px;gap:5px;margin:0 0 24px;box-shadow:0 3px 15px #1f386408}.subnav button{border-radius:8px;border:0;padding:10px 15px;font-size:14px;font-weight:600}.subnav button.active{background:var(--navy);color:#fff}.btn{background:var(--gold);color:#1b3256;border:1px solid var(--gold);border-radius:10px;font-size:14px;font-weight:700;padding:10px 17px;display:inline-flex;align-items:center;justify-content:center;gap:8px;text-decoration:none;min-height:42px}.btn:hover{filter:brightness(.97);box-shadow:0 3px 9px #1f386419}.btn.secondary{color:var(--navy);border:1.5px solid #aabbd5;background:#fff}.btn.small{min-height:32px;font-size:12px;padding:5px 10px}.chip{border-radius:9px;border:1.5px solid #b8c9e1;font-size:13px;padding:8px 12px}.chip:hover{background:#eef3fb;border-color:#2e5597}input,textarea,select{border:1.5px solid #b9c4d8;border-radius:10px;padding:11px 14px;background:#fff}.query{gap:10px}.query input{min-height:49px}.query .btn{min-height:49px}.notice{background:#fff8e5;border:1px solid #efd598;border-radius:10px;color:#5f4b21}.progress{background:#dce5f1;border-radius:999px}.progress span{background:#3b70b4}.option{border-radius:9px}.option.selected{border-color:#2e5597;background:#e8effa}.resultitem{border-left:4px solid #c0463c}.termlayout{gap:25px}.termlayout>aside{border-top:4px solid #f2b632}.termlayout>aside h3{font-size:18px}.slidetool{background:#fff;border-radius:12px;padding:12px;border:1px solid var(--line);margin-top:0}.slide{border-radius:12px}.secnum{font:700 12px ui-monospace,monospace;letter-spacing:2px;color:#c0463c;display:block;margin-bottom:8px}.sectionhead h2 .ic{width:28px;height:28px;color:#c0463c;margin-right:6px}.heading-row{display:flex;gap:13px;align-items:center}.heading-row>.ic{width:29px;height:29px;color:#c0463c}.heading-row h2{margin:0;font-size:27px}
/* Home layout follows the reference's blue hero, floating search card and quick access. */
body[data-page=accueil] .shell{padding-top:0}body[data-page=accueil] #view{margin:0 calc(-1 * clamp(16px,2.2vw,38px))}.hwhero{position:relative;overflow:hidden;background:linear-gradient(135deg,#1B3256 0%,#24467A 100%);color:#fff;border-radius:0 0 26px 26px;padding:38px clamp(24px,2.4vw,46px) 72px}.contours{position:absolute;inset:0;width:100%;height:100%;fill:none;stroke:#c9d6ea;stroke-width:1.7;opacity:.13;pointer-events:none}.hwhero-inner{position:relative;display:grid;grid-template-columns:minmax(0,1.65fr) minmax(0,1fr);align-items:center;gap:45px}.hwhero .eyebrow{font:600 12px ui-monospace,monospace;letter-spacing:2.4px;color:var(--hmuted)}.hwhero h2{font-size:clamp(32px,3.4vw,54px);line-height:1.12;letter-spacing:-1.8px;color:#fff;margin:16px 0}.hero-authors{display:flex;align-items:center;gap:10px;font-size:14px;font-weight:700;margin:16px 0}.hero-authors i{width:28px;height:3px;background:var(--gold);display:inline-block}.hsub{color:#c9d6ea;font-size:17px;line-height:1.6;max-width:780px}.hchips{display:flex;flex-wrap:wrap;gap:8px;margin:20px 0 0}.hchips button{color:#fff;border:1px solid #ffffff60;border-radius:999px;padding:6px 12px;background:#ffffff0d;font-size:12px;display:flex;align-items:center;gap:7px}.hchips button:before{content:'';width:6px;height:6px;background:var(--gold);border-radius:50%}.hchips button:hover{background:#ffffff20}.hacts{display:flex;gap:10px;flex-wrap:wrap;margin-top:20px}.hbtn{display:inline-flex;gap:9px;align-items:center;border:0;background:#f2b632;color:#1b3256;padding:12px 18px;border-radius:999px;font-size:14px;font-weight:800;box-shadow:0 4px 12px #0002}.hbtn:hover{background:#ffc94f}.hbtn .ic{width:20px;height:20px}.hstatus{font-size:12px;color:#d8e4f7;min-height:0;margin:8px 0 0}.hstatus:empty{display:none}.hwstatus{background:#fff;border-radius:23px;padding:27px;color:var(--ink);box-shadow:0 16px 28px #102c4c24}.hwstatus .eyebrow{color:#667085;font-size:10px;letter-spacing:2px}.status-title{display:flex;align-items:center;gap:13px;margin:16px 0}.status-title>span{display:flex;align-items:center;justify-content:center;width:60px;height:60px;background:#e7f4ec;border-radius:18px;color:#2e7d4f}.status-title .ic{width:32px;height:32px}.status-title>strong{font:800 clamp(23px,2.2vw,34px)/1.2 var(--display);color:#14532d}.hwstatus p{font-size:14px}.status-badges{display:flex;gap:7px;flex-wrap:wrap;margin:14px 0 20px}.status-badges>span{display:flex;align-items:center;gap:5px;border-radius:999px;background:#e8eff9;color:#254b85;padding:4px 9px;font-size:12px;font-weight:700}.status-badges .ic{width:15px;height:15px}.status-badges>span:first-child{background:#e7f4ec;color:#21714f}.status-next{font-size:12px!important;margin-bottom:0}.home-search{position:relative;margin:-32px clamp(24px,2.2vw,42px) 0;padding:26px 30px;border-radius:20px;z-index:2}.home-search .query{max-width:1000px;margin-bottom:0}.home-search p{margin:7px 0 15px}.home-search .query input{font-size:16px}.home-suggestions{display:flex;gap:12px;flex-wrap:wrap;margin-top:14px}.home-suggestions button{border:0;background:none;padding:0;font-size:12px;color:#355989;display:flex;gap:5px;align-items:center}.home-suggestions .ic{width:13px;height:13px}.home-body{padding:28px clamp(24px,2.2vw,42px) 0}.stats{border:0;box-shadow:none;background:transparent;gap:16px;margin:4px 0 18px}.stats>div{position:relative;background:#fff;border:1px solid var(--line);padding:20px;border-radius:13px;overflow:hidden;box-shadow:0 3px 12px #1f386408}.stats>div:before{content:'';position:absolute;top:0;left:0;right:0;height:3px;background:#2E5597}.stats>div:nth-child(2):before{background:#c0463c}.stats>div:nth-child(3):before{background:#e8ad30}.stats>div:nth-child(4):before{background:#2e7d4f}.stats>div:last-child{border:1px solid var(--line)}.stats>div>span{font:500 10px ui-monospace,monospace;letter-spacing:.6px}.stats strong{font:800 clamp(21px,2.1vw,30px)/1.3 var(--display);margin:9px 0 5px;color:var(--ink)}.stats small{font-size:12px;color:var(--muted)}.curriculum{gap:17px}.course-card{background:#fff;border:1px solid var(--line);border-radius:15px;padding:24px;box-shadow:0 5px 18px -12px #1f386438;display:flex;flex-direction:column;min-width:0;transition:transform .15s,box-shadow .15s}.course-card:hover{transform:translateY(-2px);box-shadow:0 9px 24px -12px #1f38644a}.course-heading{display:flex;gap:15px;align-items:flex-start}.course-number{height:46px;min-width:46px;border-radius:12px;background:var(--navy);display:flex;align-items:center;justify-content:center;color:var(--gold);font:700 18px ui-monospace,monospace}.course-heading .eyebrow{font:600 10px ui-monospace,monospace;letter-spacing:1.1px}.course-heading h3{font-size:17px;margin:7px 0 0;line-height:1.4;letter-spacing:-.3px}.course-card>p{font-size:14px;color:var(--muted);margin:15px 0}.course-tags{display:flex;gap:7px;flex-wrap:wrap;margin-top:auto}.course-tags span{font-size:10px;color:#5a6881;background:#f0f3f8;border-radius:999px;padding:4px 8px}.course-card-footer{display:flex;align-items:center;justify-content:space-between;gap:12px;border-top:1px solid #e5e9f0;margin-top:17px;padding-top:15px}.course-card-footer>span{font-size:12px;color:var(--muted)}.course-card-footer .btn{min-height:36px;font-size:12px;padding:7px 12px}.method-steps{display:grid;grid-template-columns:repeat(4,minmax(0,1fr));gap:16px}.method-steps article{border:1px solid var(--line);background:#fff;padding:20px;border-radius:14px}.method-steps article>span{font:600 11px ui-monospace,monospace;color:#b34539}.method-steps h3{font-size:16px;margin:9px 0}.method-steps p{font-size:13px;color:var(--muted);margin-bottom:0}.quick-grid{display:grid;grid-template-columns:repeat(3,minmax(0,1fr));gap:15px}.quick-grid button{border:0;border-radius:16px;background:linear-gradient(135deg,#1b3256,#24467a);color:#fff;text-align:left;padding:21px;min-height:114px}.quick-grid button:hover{filter:brightness(1.1)}.quick-grid strong{font:800 17px var(--display);display:flex;gap:10px;align-items:center}.quick-grid .ic{color:var(--gold);width:23px;height:23px}.quick-grid span{display:block;color:#c9d6ea;font-size:13px;margin-top:8px}.home-footnote{font-size:12px;color:var(--muted);margin-top:25px}footer{background:var(--page);color:#fff;margin:0;padding:28px clamp(24px,3.4vw,64px) 35px;display:grid;grid-template-columns:1.2fr 1fr;gap:50px;border:0}footer strong{font:800 16px var(--display)}footer p{font-size:13px;line-height:1.7;color:#edf2fa;margin:5px 0}.touring{padding-bottom:220px}#guided-tour{position:fixed;bottom:0;left:0;right:0;z-index:60;background:#1b3256f5;box-shadow:0 -7px 25px #11264130;color:#fff;padding:18px 25px}#guided-tour>div{max-width:1100px;margin:auto}#guided-tour h3{color:#fff;margin:6px 0;font-size:18px}#guided-tour .eyebrow{font-size:10px;color:#d6e2f5}#guided-tour p{font-size:14px;margin:6px 0}#guided-tour .actions{margin:10px 0 0}#guided-tour .btn{min-height:34px;padding:7px 14px;font-size:12px}
@media(min-width:1700px){.hwhero{padding-top:44px;padding-bottom:80px}.hwhero-inner{gap:60px}.hsub{font-size:19px}.hbtn{font-size:16px}.hwstatus{padding:32px}.home-search{padding:28px 34px}}
@media(max-width:1120px){header h1{font-size:18px}.logo img{width:160px}.level-pill{display:none}.hwhero-inner{gap:25px;grid-template-columns:1.3fr 1fr}.status-title>strong{font-size:25px}.hwstatus{padding:23px}.hsub{font-size:16px}.hwhero h2{font-size:39px}.hbtn{font-size:12px;padding:11px 14px}.stats{grid-template-columns:1fr 1fr}.stats strong{font-size:26px}.stats>div:nth-child(2){border:1px solid var(--line)}}
@media(max-width:850px){.hwhero-inner{grid-template-columns:1fr;gap:28px}.hwhero{padding:30px 26px 65px}.hwhero h2{font-size:40px}.hwstatus{max-width:none}.status-title>strong{font-size:28px}.hwhero .hsub{max-width:none}.quick-grid{grid-template-columns:repeat(2,minmax(0,1fr))}.method-steps{grid-template-columns:repeat(2,minmax(0,1fr))}.utility>div{padding:0 18px}.shell{margin:0 12px}.brand-sep{display:none}.course-heading h3{font-size:16px}.hbtn{font-size:14px}.reader{grid-template-columns:1fr}.toc{display:flex;overflow:auto;position:static}.toc button{min-width:195px}.curriculum{grid-template-columns:1fr}}
@media(max-width:560px){header{padding:14px 17px;gap:12px;min-height:85px}.logo{padding:7px 10px;height:52px}.logo img{width:122px;max-height:37px}header h1{font-size:14px;letter-spacing:-.2px}header p{font-size:10px;line-height:1.4}.utility{position:static}.utility>div{gap:2px;padding:0 9px}.navbtn{font-size:13px;padding:13px 10px}.shell{margin:0 7px;padding:0 14px 28px;border-radius:0 0 21px 21px}body[data-page=accueil] #view{margin:0 -14px}.hwhero{padding:25px 20px 58px;border-radius:0 0 22px 22px}.hwhero h2{font-size:34px;letter-spacing:-1px}.hwhero .eyebrow{font-size:9px;letter-spacing:1.5px}.hsub{font-size:15px!important}.hero-authors{font-size:11px}.hchips button{font-size:10px;padding:5px 9px}.hacts{gap:9px}.hbtn{font-size:12px;padding:10px 13px}.hwstatus{padding:21px;border-radius:18px}.status-title>strong{font-size:26px}.hwstatus .eyebrow{font-size:9px}.home-search{margin:-28px 13px 0;padding:22px 18px}.heading-row h2{font-size:23px}.home-search .query{flex-direction:column}.home-body{padding:22px 15px 0}.stats{gap:11px}.stats>div{padding:16px}.stats strong{font-size:21px}.stats>div>span{font-size:8px;letter-spacing:0}.stats small{font-size:10px}.sectionhead{padding-top:25px}.sectionhead h2{font-size:24px}.sectionhead p{font-size:13px}.course-card{padding:20px}.course-heading{gap:12px}.course-number{width:38px;min-width:38px;height:40px;font-size:15px}.course-heading h3{font-size:15px}.method-steps{gap:11px}.method-steps article{padding:16px}.quick-grid{grid-template-columns:1fr;gap:11px}.quick-grid button{padding:20px;min-height:104px}.quick-grid strong{font-size:16px}.article{padding:23px 20px}.article h2{font-size:25px}.fields{grid-template-columns:1fr}.sectionhead>.controls{margin-top:15px}footer{grid-template-columns:1fr;gap:22px;padding:25px 22px}.touring{padding-bottom:270px}#guided-tour{padding:14px 18px}#guided-tour p{font-size:12px}}
@media(prefers-reduced-motion:reduce){*{scroll-behavior:auto!important;transition:none!important}.course-card:hover{transform:none}}
@media print{body{background:#fff}footer,#guided-tour{display:none!important}.ic{display:none}.article,.card{box-shadow:none}}


/* Mobile clarity, version 4.1 */
.mobile-chooser{display:none}.download-panel{display:flex;align-items:center;justify-content:space-between;gap:24px;background:#fff;border:1px solid var(--line);border-radius:16px;padding:24px;margin-top:30px}.download-panel h3{font-size:19px;margin:0 0 8px}.download-panel p{font-size:14px;color:var(--muted);margin:0}.download-panel .btn{flex-shrink:0}.scrolltable:focus-visible{outline:3px solid #c68a24}.mobile-table-hint{font-size:12px;color:var(--muted);margin:6px 0;display:none}
@media(max-width:850px){.mobile-chooser{display:flex;background:#fff;border:1px solid var(--line);border-radius:12px;padding:14px;margin:0 0 18px}.mobile-chooser select{font-size:16px;width:100%;min-height:48px}.reader>.toc{display:none!important}.subnav{display:grid;grid-template-columns:repeat(2,minmax(0,1fr));overflow:visible;gap:5px}.subnav button{white-space:normal;min-height:46px;line-height:1.35;text-align:center}.subnav button:first-child{grid-column:1/-1}.termlayout>aside{display:block!important}.download-panel{display:block}.download-panel .btn{margin-top:16px;width:100%;white-space:normal}.coursebar{display:grid;grid-template-columns:repeat(4,minmax(0,1fr));overflow:visible;padding-top:16px}.coursepill{min-height:46px;padding:8px 5px;font-size:14px}.mobile-table-hint{display:block}.scrolltable{overflow-x:auto;-webkit-overflow-scrolling:touch}.scrolltable table{min-width:440px}.article table{font-size:13px}.slidetool{display:grid;grid-template-columns:1fr 1fr}.slidetool>strong{grid-column:1/-1;grid-row:1;text-align:center}.slidetool .btn{min-height:46px}.sectionhead .controls{width:100%}.sectionhead .controls>.btn{flex:1;min-width:0;text-align:center}.chapterfooter{display:grid;grid-template-columns:1fr}.chapterfooter .btn{width:100%;min-height:48px}}
@media(max-width:560px){body{font-size:16px}.utility>div{display:grid;grid-template-columns:repeat(3,minmax(0,1fr));overflow:visible;padding:6px 10px;gap:4px}.navbtn{font-size:13px;line-height:1.25;min-height:46px;white-space:normal;padding:9px 5px;border-radius:7px;border-bottom-width:2px}.navbtn.active{background:#eaf0fa}.hwhero .hsub{font-size:16px!important;line-height:1.65}.hchips{display:grid;grid-template-columns:1fr 1fr;gap:8px}.hchips button{font-size:12px;min-height:44px;padding:8px 10px;text-align:left}.hacts{display:grid;grid-template-columns:1fr 1fr;gap:9px}.hacts .hbtn:first-child{grid-column:1/-1}.hbtn{min-height:48px;justify-content:center;font-size:14px}.home-suggestions{display:grid;grid-template-columns:1fr 1fr;gap:6px}.home-suggestions button{font-size:12px;min-height:44px;text-align:left;justify-content:space-between;border-bottom:1px solid #e4eaf3}.home-search p{font-size:15px}.stats strong{font-size:22px}.stats small{font-size:12px}.stats>div>span{font-size:9px}.course-card>p{font-size:15px}.course-tags span{font-size:11px}.course-heading h3{font-size:17px}.course-card-footer .btn{min-height:46px;font-size:13px}.method-steps{grid-template-columns:1fr}.method-steps p{font-size:15px}.quick-grid span{font-size:14px}.article{font-size:16px;line-height:1.8}.article .definition{font-size:17px;line-height:1.7}.article h3{font-size:19px}.sectionhead h2{font-size:26px;line-height:1.3}.sectionhead>div>p{font-size:15px;line-height:1.6}.card{padding:21px 18px}input,textarea,select{font-size:16px!important;min-height:48px}button.chip{min-height:44px;font-size:13px}.options .option{min-height:50px;font-size:16px;line-height:1.5}.actions>.btn{min-height:46px}.query .btn{min-height:49px}.notice{font-size:14px;line-height:1.65}.question{padding:20px 18px}.feedback{font-size:15px}.reading{font-size:12px}.termlayout>aside p{font-size:14px}.btn,.hbtn,.chip{touch-action:manipulation}.hwstatus p{font-size:15px}.status-next{font-size:13px!important}.coursebar{gap:6px}.home-footnote{font-size:13px}.sectionhead .controls{display:grid;grid-template-columns:1fr 1fr}.sectionhead .controls>.btn{font-size:12px;padding:9px 8px;white-space:normal}.home-search .query{margin-top:15px}}
@media(max-width:360px){.logo img{width:102px}header h1{font-size:13px}.hwhero h2{font-size:30px}.coursebar{grid-template-columns:repeat(4,minmax(0,1fr))}.coursepill{font-size:12px}.stats{grid-template-columns:1fr}.level-pill{display:none}}
@media print{.mobile-chooser,.download-panel{display:none!important}}
</style><link rel="manifest" href="manifest.webmanifest"><link rel="apple-touch-icon" href="app-192.png"><meta name="theme-color" content="#1B3256"><meta name="apple-mobile-web-app-capable" content="yes"><style>:root[data-theme=light]{color-scheme:light}html[data-theme=light] body{background:#eef3f9}.display-preferences{background:#fff;border-bottom:1px solid #d7e1ed;padding:10px max(18px,4vw);display:flex;align-items:center;justify-content:flex-end;flex-wrap:wrap;gap:10px 20px;color:#233b59}.display-preferences label{display:flex;align-items:center;gap:9px;font-size:13px;font-weight:650}.display-preferences select{min-height:44px;border:1px solid #bccbde;border-radius:8px;padding:7px 30px 7px 11px;color:#1b3256;background:#fff;font-size:15px}.source-language-note{flex-basis:100%;margin:0!important;text-align:right;font-size:12px!important;color:#52657f!important}html[data-theme=dark]{--ink:#e4edf9;--muted:#b0bfd4;--line:#34445e;--bg:#0b1220;--blue:#a5caff;--navy:#152b4b;--green:#8ce0b6;--red:#ffacb4;--gold:#f2b632;color-scheme:dark}html[data-theme=dark] body{background:#0b1220;color:var(--ink)}html[data-theme=dark] :is(.shell,.utility,.display-preferences,.card,.article,.toc,.home-search,.hwstatus,.stats>div,.course-card,.method-steps article,.mobile-chooser,.download-panel){background:#142238;color:#e4edf9;border-color:#34445e}html[data-theme=dark] :is(.display-preferences select,input,select,textarea,.btn.secondary,.chip,.coursepill){background:#1b2c45;color:#e4edf9;border-color:#526a89}html[data-theme=dark] :is(h2,h3,h4,.course-heading h3,.heading-row h2,.stats strong,.status-title>strong,.home-search h2,.method-steps h3){color:#e4edf9}html[data-theme=dark] :is(.muted,.sectionhead p,.course-card>p,.method-steps p,.stats small,.stats span,.home-search p,.download-panel p,.hwstatus .eyebrow,.count,.source-language-note){color:#b7c7df!important}html[data-theme=dark] :is(.notice,.badge,.article .definition,.toc button.active,.navbtn.active,.status-next,.status-badges span,.course-tags span){background:#223a59;color:#deebff;border-color:#526a89}html[data-theme=dark] .coursepill.active{background:#c0d7ff;color:#102540}html[data-theme=dark] :is(.navbtn,.subnav button,.toc button){color:#bdcce1}html[data-theme=dark] :is(.navbtn.active,.subnav button.active){color:#c8ddff;border-color:#f2b632}html[data-theme=dark] .example{background:#342e20;color:#fff0c9}html[data-theme=dark] .pitfall{background:#352531;color:#ffdfeb}html[data-theme=dark] :is(pre,code,.result){background:#0e1a2d;color:#e4edf9;border-color:#526a89}html[data-theme=dark] :is(th,td){border-color:#43546d}html[data-theme=dark] th{background:#223650;color:#e4edf9}html[data-theme=dark] .option{background:#1b2d46;color:#e4edf9;border-color:#526a89}html[data-theme=dark] .option:has(input:checked){background:#2c4567}html[data-theme=dark] .good{color:#8ce0b6}html[data-theme=dark] .bad{color:#ffacb4}html[data-theme=dark] a:not(.btn):not(.logo){color:#aacdff}html[data-theme=dark] .hwhero{background:linear-gradient(135deg,#101f35,#1b365c)}html[data-theme=dark] .status-title>span{background:#204636;color:#8ce0b6}html[data-theme=dark] #guided-tour{background:#142238;color:#e4edf9;border-color:#526a89}html[data-theme=dark] .home-suggestions button{color:#bdd7ff}html[data-theme=dark] footer{background:#101d31}html[data-theme=dark] .quick-grid button{background:#1b365c}.display-preferences :focus-visible{outline:3px solid #a87508;outline-offset:3px}html[data-theme=dark] :focus-visible{outline-color:#ffcc64}@media(max-width:560px){.display-preferences{justify-content:space-between;padding:10px 16px;gap:8px}.display-preferences label{flex:1;min-width:0;display:block;font-size:12px}.display-preferences select{width:100%;font-size:16px;margin-top:4px;min-height:46px}.source-language-note{text-align:left;font-size:12px!important}}@media print{.display-preferences{display:none!important}html[data-theme=dark] body{background:white!important;color:black!important}}
</style><script type="text/javascript">try{let p=JSON.parse(localStorage.getItem('ul-display-preferences')||'{}');document.documentElement.dataset.theme=p.theme==='dark'?'dark':'light'}catch{document.documentElement.dataset.theme='light'}</script><style>.display-preferences .pref-group{display:flex;align-items:center;gap:10px}.pref-label{font-size:13px;font-weight:700}.pref-segments{display:inline-flex;border:1px solid #b8c9de;border-radius:11px;padding:3px;gap:3px;background:#f0f4fa}.pref-segments button{display:inline-flex;align-items:center;justify-content:center;gap:6px;min-height:42px;min-width:48px;padding:7px 14px;border:1px solid transparent;border-radius:8px;background:transparent;color:#405570;font-size:14px;font-weight:700;line-height:1.3}.pref-segments button[aria-pressed=true]{background:#1b3256;color:white;border-color:#1b3256;box-shadow:0 2px 5px #1b325630}.pref-segments button:hover{border-color:#8ca7cb}.pref-segments button:focus-visible{outline:3px solid #bd8a12;outline-offset:3px}html[data-theme=dark] .pref-segments{background:#0e1a2b;border-color:#526a89}html[data-theme=dark] .pref-segments button{color:#bcd0e9}html[data-theme=dark] .pref-segments button[aria-pressed=true]{background:#c0d7ff;color:#102540;border-color:#c0d7ff}@media(max-width:560px){.display-preferences{gap:9px 14px;justify-content:space-between}.display-preferences .pref-group{display:flex;flex-direction:column;align-items:flex-start;gap:5px;flex:1;min-width:0}.pref-segments{display:flex;width:100%;padding:3px}.pref-segments button{min-height:44px;min-width:0;flex:1;padding:8px 9px;font-size:14px}.pref-label{font-size:12px}}</style><style>.download-panel{display:block}.install-guide{max-width:1000px}.install-guide p{margin:12px 0}.install-guide ol{padding-left:23px;margin:20px 0}.install-guide li{margin:12px 0;line-height:1.7}.install-guide .install-url{font-size:12px;overflow-wrap:anywhere}.install-guide .btn{display:inline-flex;min-height:46px;align-items:center;white-space:normal;text-align:center}.download-panel>button{margin:10px 8px 10px 0}.download-panel #install-status{margin:10px 0}.download-panel>a.btn{display:inline-flex;margin-top:16px}.install-guide strong{color:inherit}@media(max-width:560px){.install-guide .btn{width:100%;justify-content:center}.download-panel>button{width:100%;margin:8px 0}.install-guide li{font-size:15px}}</style><style>#ul-access{display:flex;align-items:center;justify-content:space-between;gap:12px;flex-wrap:wrap;background:#e9eff8;border-bottom:1px solid #cedbeb;padding:10px max(18px,4vw);font-size:13px;color:#1b3256}#ul-access button,#ul-access a{display:inline-flex;min-height:44px;align-items:center;padding:8px 12px;border:1px solid #b6c9df;border-radius:8px;background:white;color:#1b3256;font:600 13px system-ui;text-decoration:none;margin-left:8px}html[data-theme=dark] #ul-access{background:#15273f;color:#dce9fd}#ul-download-status{position:fixed;bottom:18px;left:50%;transform:translateX(-50%);max-width:calc(100vw - 30px);padding:16px 22px;background:#fff5d6;color:#4d3912;border:1px solid #d1a642;border-radius:12px;z-index:1000;box-shadow:0 4px 18px #132d4c35}#ul-download-status:empty{display:none}@media print{body>*{display:none!important}body:after{content:'Utilisez le téléchargement PDF nominatif autorisé par votre enseignant.';display:block;padding:40px}}</style></head><body><a href="#main" class="skip" onclick="event.preventDefault();document.getElementById('main').focus()">Aller au contenu</a><header><a class="logo" href="#accueil" aria-label="Université de Labé, accueil"><img src="logo-ul.png" alt="Université de Labé"></a><span class="brand-sep" aria-hidden="true"></span><div class="brand-titles"><h1>Informatique de base et intelligence artificielle</h1><p>Dr Ibrahima Diouf · Mme Mariama Diallo · M. Alpha Oumar Bah · FST, Université de Labé</p></div><div class="level-pill"><span>Licence 1</span><strong>2026–2027</strong></div></header><section id="ul-access" data-login="@@UL_LOGIN@@" data-csrf="@@UL_CSRF@@"><span>Accès personnel : <strong>@@UL_NAME@@</strong></span><div>@@UL_ADMIN_LINK@@ <button onclick="logoutUL()">Se déconnecter</button></div></section><section class="display-preferences" aria-label="Préférences d’affichage"><div class="pref-group" role="group" aria-label="Langue"><span class="pref-label">Langue</span><div class="pref-segments"><button type="button" data-language="fr" lang="fr" aria-label="Français" aria-pressed="true">FR</button><button type="button" data-language="en" lang="en" aria-label="English" aria-pressed="false">EN</button></div></div><div class="pref-group" role="group" aria-label="Apparence"><span class="pref-label">Apparence</span><div class="pref-segments"><button type="button" data-theme-choice="light" aria-pressed="true"><span aria-hidden="true">☀</span> <span>Clair</span></button><button type="button" data-theme-choice="dark" aria-pressed="false"><span aria-hidden="true">☾</span> <span>Sombre</span></button></div></div><p class="source-language-note" id="ul-source-language" lang="en" data-no-translate hidden>Interface in English. Teaching texts, exercises, definitions and original slides retain their original language, mainly French.</p></section><nav class="utility" aria-label="Outils du module"><div><button class="navbtn" data-view="accueil">Accueil</button><button class="navbtn" data-view="cours">Cours</button><button class="navbtn" data-view="recherche">Recherche</button><button class="navbtn" data-view="assistant">Assistant</button><button class="navbtn" data-view="glossaire">Glossaire</button><button class="navbtn" data-view="methode">Méthode & ressources</button></div></nav><main id="main" class="shell" tabindex="-1"><nav class="coursebar" id="coursebar" aria-label="Choisir un cours"></nav><div id="view"></div></main><div id="print-root"></div><footer><div><strong>Dr Ibrahima Diouf, Mme Mariama Diallo & M. Alpha Oumar Bah</strong><p>Université de Labé · Faculté des Sciences et Techniques<br>Département de mathématiques · Licence 1 · 2026–2027</p><p>Informatique de base et intelligence artificielle</p></div><div><strong>Support pédagogique du module</strong><p>8 cours · 64 chapitres développés · 120 diapositives<br>Exemples fictifs · Assistant documentaire local</p><p>Édition à accès individuel · Sources et précisions dans « Méthode & ressources »</p></div></footer>
<script id="course-data" type="application/json">[{"id": 1, "title": "Bases de l’informatique et découverte de l’IA", "intro": "Comprendre ce qu’un ordinateur reçoit, traite et conserve, puis organiser son travail et découvrir les usages de l’intelligence artificielle.", "objectives": ["Décrire le fonctionnement général d’un ordinateur", "Distinguer matériel, système et applications", "Organiser et sauvegarder des fichiers", "Identifier les usages et limites de l’IA"], "prereq": "Aucun prérequis en programmation. Savoir effectuer une addition et une division.", "chapters": [{"title": "Ordinateur, informatique et information", "definition": "Un ordinateur est une machine électronique programmable qui reçoit des données, exécute des instructions, produit des résultats et peut conserver des données.", "paragraphs": ["L’informatique étudie et met en œuvre le traitement automatique de l’information. « Automatique » signifie que la machine réalise des opérations selon des instructions. L’utilisateur prépare le problème, choisit les données et interprète le résultat. Le fonctionnement d’un ordinateur ne se réduit donc pas à l’écran que l’on voit.", "Une donnée est une valeur ou une représentation que l’on peut enregistrer : un nombre, un texte, une image ou un son. Une information correspond à des données interprétées dans un contexte. La valeur 14 ne précise rien à elle seule. Avec « moyenne de l’étudiant : 14/20 », on connaît le sens et l’unité.", "Un smartphone est aussi un système informatique : il comporte un processeur, de la mémoire, du stockage et des programmes. À l’université, l’informatique permet de rédiger, calculer, rechercher des documents, communiquer et automatiser des tâches. Le résultat doit toujours être interprété en fonction de l’objectif."], "example": "À Labé, compter les étudiants inscrits par groupe transforme une liste d’inscriptions en une information utile pour organiser les TD.", "pitfall": "Une donnée saisie dans un ordinateur peut être fausse. L’automatisation ne garantit ni la qualité des entrées ni la pertinence du résultat.", "slides": [2, 3, 4], "terms": ["ordinateur", "informatique", "donnée", "information", "smartphone"]}, {"title": "Entrée, traitement, sortie et stockage", "definition": "Un traitement est une opération ou une suite d’opérations qui transforme, organise ou analyse des données.", "paragraphs": ["L’entrée désigne les données reçues par le système. Le traitement applique des opérations. La sortie est le résultat produit. Le stockage conserve des données ou des résultats pour un usage ultérieur. Ces fonctions peuvent se répéter pendant l’utilisation d’un logiciel.", "Pour calculer une moyenne simple, lire les notes, vérifier leur validité, les additionner puis diviser la somme par leur nombre. Cette méthode suppose des coefficients égaux. Il faut connaître le nombre de notes et éviter de diviser par zéro si la liste est vide.", "Pour une moyenne pondérée, chaque note est multipliée par son coefficient. On additionne ces produits puis on divise par la somme des coefficients. Dans les exercices, les coefficients sont non négatifs et leur somme doit être strictement positive. L’affichage d’un résultat ne signifie pas qu’un fichier a été enregistré."], "example": "Notes 10, 14 et 15 ; coefficients 1, 2 et 1 : total pondéré = 10 + 28 + 15 = 53 ; somme des coefficients = 4 ; moyenne = 13,25/20.", "pitfall": "Le calcul d’une moyenne est une règle explicite. Il ne nécessite pas un modèle d’IA entraîné.", "slides": [4, 14, 15], "terms": ["entrée", "sortie", "traitement", "moyenne", "moyenne pondérée", "coefficient"]}, {"title": "Matériel, processeur et périphériques", "definition": "Le matériel informatique, ou hardware, regroupe les composants physiques d’un système.", "paragraphs": ["Le processeur, ou CPU (Central Processing Unit, unité centrale de traitement), exécute les instructions des programmes. Il réalise notamment des calculs, des comparaisons et le contrôle des opérations. La carte mère relie les composants. L’alimentation fournit l’énergie nécessaire.", "Un périphérique d’entrée introduit des données : clavier, souris, microphone ou caméra. Un périphérique de sortie restitue des résultats : écran, imprimante ou haut-parleurs. Un écran tactile assure les deux fonctions : il affiche une image et détecte les gestes.", "Les données numériques sont représentées avec des bits. Un bit prend la valeur 0 ou 1. Un octet contient 8 bits. En convention décimale, 1 ko = 1 000 octets, 1 Mo = 1 000 000 octets et 1 Go = 1 000 000 000 octets. Les unités Kio, Mio et Gio utilisent des puissances de 1 024."], "example": "Pour dicter un texte, le microphone acquiert le son, le système traite les données et l’écran affiche le texte reconnu.", "pitfall": "La capacité de stockage et la vitesse de calcul sont différentes. Un grand disque ne garantit pas un ordinateur rapide.", "slides": [5], "terms": ["matériel", "CPU", "processeur", "périphérique", "bit", "octet", "entrée-sortie"]}, {"title": "RAM et stockage : suivre un document", "definition": "RAM signifie Random Access Memory, ou mémoire à accès aléatoire. Dans ce cours, elle désigne la mémoire vive de travail, généralement volatile.", "paragraphs": ["La RAM contient des instructions et des données utiles aux programmes en cours. « Volatile » signifie que son contenu dépend de l’alimentation électrique et disparaît généralement à la coupure. Le terme « accès aléatoire » décrit l’accès direct aux emplacements mémoire, pas un fonctionnement au hasard.", "Le stockage conserve les fichiers après extinction. Un SSD (Solid-State Drive) utilise de la mémoire électronique non volatile. Un disque dur utilise des plateaux magnétiques. Une clé USB et une carte mémoire peuvent également stocker des fichiers. La conservation après extinction ne protège pas contre une panne ou une suppression.", "Quand on modifie un document ouvert, les nouvelles modifications peuvent ne pas encore exister dans le fichier enregistré. La RAM peut être comparée à une table de travail et le stockage à une armoire. Cette analogie aide à comprendre les rôles, sans décrire tous les mécanismes de cache ou de récupération."], "example": "Vous enregistrez « Version A », puis écrivez « Version B » sans enregistrer. Après une coupure, le fichier contient A, en l’absence de sauvegarde automatique ou de récupération.", "pitfall": "Ne supposez jamais qu’un logiciel enregistre automatiquement. Vérifiez ses réglages et la version réellement conservée.", "slides": [6, 9], "terms": ["RAM", "mémoire vive", "volatile", "stockage", "SSD", "disque dur", "USB"], "table": {"heads": ["Critère", "RAM", "Stockage"], "rows": [["Fonction", "Travail des programmes en cours", "Conservation des fichiers"], ["Coupure ordinaire", "Contenu généralement perdu", "Fichiers enregistrés conservés"], ["Exemples", "Mémoire vive", "SSD, disque dur, clé USB"], ["Risque restant", "Modifications non enregistrées", "Panne, suppression, perte du support"]]}}, {"title": "Logiciel, système et application", "definition": "Un logiciel est un ensemble de programmes et de ressources qui permet d’effectuer des tâches sur un système informatique.", "paragraphs": ["Le système d’exploitation, ou OS (Operating System), gère les ressources : processeur, mémoire, fichiers, périphériques et droits d’accès. Windows, macOS, les distributions GNU/Linux, Android et iOS en sont des exemples. Un pilote assure la communication avec un matériel particulier.", "Une application sert un usage de l’utilisateur : Writer ou Word pour rédiger, Calc ou Excel pour les tableaux, Impress ou PowerPoint pour les présentations, Firefox ou Chrome pour le Web. Le document créé est un fichier de données. Il faut distinguer ce fichier de l’application qui permet de l’ouvrir.", "Un navigateur consulte les ressources du Web. Un moteur de recherche est un service qui recherche des contenus. Internet est une infrastructure de réseaux ; le Web et le courriel sont des usages de cette infrastructure. Un service web peut nécessiter Internet alors qu’une application locale peut fonctionner sans connexion."], "example": "Clavier : matériel ; Android : système ; Writer : application ; rapport.docx : fichier. Ces quatre objets ont des rôles différents.", "pitfall": "Un navigateur et un moteur de recherche ne sont pas interchangeables. Installer une application ne crée pas automatiquement vos documents.", "slides": [7, 14, 15], "terms": ["logiciel", "système d’exploitation", "OS", "application", "pilote", "navigateur", "Internet", "Web", "moteur de recherche"]}, {"title": "Fichiers, extensions et arborescence", "definition": "Un fichier est un ensemble de données enregistré et identifié notamment par un nom. Un dossier sert à organiser des fichiers et des sous-dossiers.", "paragraphs": ["Une arborescence décrit une organisation hiérarchique. Un dossier principal de module peut contenir Cours, Exercices, Travaux_personnels et Donnees. Le chemin indique où se trouve le fichier dans cette organisation. Classez selon l’usage, pas uniquement selon le format.", "L’extension est le suffixe du nom, comme .pdf, .docx, .xlsx, .csv, .pptx, .jpg, .png ou .py. Elle indique habituellement le format, c’est-à-dire l’organisation des données. Un CSV est un fichier texte contenant des données séparées par un délimiteur. Python utilise couramment .py pour ses fichiers source.", "Choisissez un nom compréhensible indiquant le sujet, une version et éventuellement une date. Exporter transforme la représentation dans un autre format. Renommer change le nom. Une extension peut être masquée dans l’explorateur : vérifiez les réglages d’affichage avant de modifier le fichier."], "example": "Informatique_IA_L1/03_Travaux_personnels/Diallo_TD01_v02_2026-10-23.docx identifie un travail personnel et sa version.", "pitfall": "Renommer photo.jpg en photo.pdf ne convertit pas l’image. Utilisez un outil d’export ou de conversion.", "slides": [8, 14, 15], "terms": ["fichier", "dossier", "arborescence", "chemin", "extension", "format", "CSV", "conversion"]}, {"title": "Enregistrer, sauvegarder et restaurer", "definition": "Enregistrer écrit les modifications dans un fichier. Sauvegarder conserve une copie permettant une récupération après un incident.", "paragraphs": ["Enregistrer régulièrement réduit le risque de perdre le travail en cours. Une sauvegarde indépendante permet de récupérer un fichier après perte de l’ordinateur, panne ou suppression. Une seconde copie dans un autre dossier du même disque ne protège pas contre la panne de ce disque.", "La synchronisation met en cohérence plusieurs emplacements. Elle peut aussi répercuter une suppression ou une corruption. Certains services conservent des versions et proposent une restauration, mais ces garanties dépendent de leur configuration et de leur durée de conservation.", "Un plan simple précise quoi copier, où, quand et comment restaurer. Identifiez les versions et testez l’ouverture d’une copie. Une clé USB peut servir de support complémentaire mais peut aussi être perdue ou endommagée. Ne gardez pas votre unique exemplaire sur un seul support."], "example": "Après le TD, enregistrez l’original modifiable, copiez-le vers un support distinct puis ouvrez la copie pour vérifier son contenu et sa version.", "pitfall": "Une sauvegarde jamais testée peut être inutilisable au moment où l’on en a besoin.", "slides": [9], "terms": ["enregistrement", "sauvegarde", "synchronisation", "restauration", "version"]}, {"title": "Première découverte de l’IA et bonnes pratiques", "definition": "L’intelligence artificielle regroupe des méthodes permettant notamment de réaliser des tâches de perception, de langage, de raisonnement ou de prédiction.", "paragraphs": ["Une formule de calcul suit des règles explicites. L’apprentissage automatique ajuste un modèle à partir d’exemples. Certaines approches d’IA utilisent aussi des connaissances et des règles symboliques. Toute automatisation n’est donc pas de l’IA et toute IA n’utilise pas nécessairement l’apprentissage automatique.", "Une IA peut aider à reconnaître de la parole, classer des messages, proposer une prévision ou produire un résumé. Une bonne rédaction ne prouve pas que la réponse est vraie. Un système peut se tromper, inventer une référence ou mal fonctionner dans un contexte différent de celui sur lequel il a été évalué.", "Vérifiez les faits, les calculs et les sources importantes. Ne transmettez pas de mots de passe, de données nominatives ou de documents confidentiels sans autorisation appropriée. Formulez une demande précise avec tâche, contexte, niveau et format. Comprenez et expliquez le travail remis selon les règles de l’enseignant."], "example": "Une IA donne 13 pour la moyenne de 8, 12 et 16. Le calcul 36/3 = 12 révèle l’erreur, malgré une réponse éventuellement convaincante.", "pitfall": "Une consigne précise améliore le cadrage mais ne garantit pas la vérité. Les algorithmes d’apprentissage seront développés dans les chapitres suivants.", "slides": [10, 11, 12, 13, 15], "terms": ["IA", "automatisation", "apprentissage automatique", "confidentialité", "prompt"]}], "exercises": [{"title": "Identifier les fonctions", "statement": "Décrivez l’inscription universitaire avec deux entrées, un traitement, une sortie et un stockage.", "steps": ["Choisir des données d’entrée", "Décrire l’opération", "Nommer le résultat et sa conservation"], "result": "Identité et formation ; contrôle et inscription ; confirmation ; dossier ou base des inscriptions."}, {"title": "Calculer sans confondre", "statement": "Calculez la moyenne de 10, 14, 15 avec coefficients 1, 2, 1.", "steps": ["Produits : 10, 28, 15", "Total : 53 ; poids : 4", "Division : 53/4"], "result": "13,25/20. Diviser par 3 serait incorrect."}, {"title": "Classer quatre objets", "statement": "Classez clavier, Android, Writer et rapport.pdf.", "steps": ["Séparer objet physique, système, application et données"], "result": "Matériel ; système d’exploitation ; application ; fichier."}, {"title": "Auditer une affirmation", "statement": "« Renommer JPG en PDF convertit le fichier et la RAM le conserve après extinction. » Corrigez.", "steps": ["Distinguer nom et format", "Distinguer mémoire volatile et stockage"], "result": "Renommer ne convertit pas ; le stockage conserve les fichiers enregistrés, pas la RAM ordinaire."}], "quiz": [{"question": "Que signifie RAM ?", "answers": ["Random Access Memory", "Read All Machines", "Remote Automatic Model"], "correct": 0, "why": "Mémoire à accès aléatoire, généralement utilisée comme mémoire vive de travail."}, {"question": "Un écran tactile remplit quelles fonctions ?", "answers": ["Entrée seulement", "Sortie seulement", "Entrée et sortie"], "correct": 2, "why": "Il reçoit les gestes et affiche une image."}, {"question": "Renommer JPG en PDF convertit-il le contenu ?", "answers": ["Oui", "Non"], "correct": 1, "why": "La conversion modifie le format, pas seulement le nom."}, {"question": "Quelle copie protège de la panne du disque principal ?", "answers": ["Même disque, autre dossier", "Copie indépendante sur un autre support"], "correct": 1, "why": "La panne du disque affecte ses différents dossiers."}, {"question": "Une réponse fluide d’IA est-elle forcément vraie ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Les faits, calculs et références doivent être vérifiés."}], "homework": "Dessiner une arborescence, identifier cinq matériels et trois logiciels, décrire un traitement et présenter un usage d’IA avec une précaution.", "slides": ["Couverture", "Objectifs et diagnostic", "Usages universitaires", "Entrée, traitement, sortie, stockage", "Matériel et langage binaire", "Mémoire vive et stockage", "Pyramide logicielle", "Fichiers et dossiers", "Enregistrer et sauvegarder", "Automatisation et IA", "Capacités de l’IA", "Limites de l’IA générative", "Bonnes pratiques", "Trois défis pratiques", "Corrigés, synthèse et devoir"]}, {"id": 2, "title": "Introduction à l’intelligence artificielle", "intro": "Décrire une tâche d’IA, comprendre les principales approches et distinguer performance, compréhension et causalité.", "objectives": ["Définir un système par ses entrées et sorties", "Comparer approches symboliques et apprises", "Distinguer quatre familles de tâches", "Expliquer entraînement, inférence et transfert de contexte"], "prereq": "Cours 1 : données, traitement, matériel et logiciels.", "chapters": [{"title": "Décrire un système avant de l’évaluer", "definition": "Un système d’IA doit être décrit par une tâche, des entrées, des sorties et des conditions d’utilisation.", "paragraphs": ["Le mot « intelligent » ne décrit pas une capacité précise. Pour étudier un outil, nommez le problème : classer des messages, prévoir une durée ou produire un texte. Définissez qui utilise le résultat et ce qui se passe si le système se trompe.", "L’entrée est ce que le système reçoit au moment de l’utilisation. La sortie est ce qu’il fournit. Une catégorie administrative n’est pas une réponse complète à une demande. Une note prédite n’est pas une note officiellement attribuée. Le rôle opérationnel doit rester explicite.", "On évalue ensuite la réussite avec des critères adaptés et des cas réalistes. Décrire les erreurs gênantes aide à prévoir un contrôle humain. Une application scolaire peut employer plusieurs tâches d’IA et des traitements sans IA. Le domaine d’application ne définit donc pas à lui seul le mécanisme."], "example": "Entrée : texte d’un message étudiant ; sortie : catégorie Scolarité ou Bourse ; risque : une demande urgente mal orientée.", "pitfall": "Ne confondez pas le domaine « éducation » avec la tâche « classification ».", "slides": [2, 7, 9, 10], "terms": ["système d’IA", "tâche", "entrée", "sortie", "supervision humaine"]}, {"title": "Automatisation, histoire et approches symboliques", "definition": "L’IA symbolique représente des connaissances et utilise des règles de raisonnement explicites.", "paragraphs": ["Une automatisation exécute des opérations sans intervention humaine à chaque étape. Une calculatrice peut appliquer des formules sans apprentissage. Une IA symbolique peut toutefois employer des règles pour réaliser une tâche de raisonnement. La frontière ne se résume donc pas à « règles contre absence de règles ».", "Un système expert rassemble une base de connaissances et un mécanisme d’inférence. Une règle peut proposer une vérification lorsqu’un champ obligatoire manque. Cette méthode est utile quand les connaissances peuvent être formulées, mais une grande base de règles devient difficile à maintenir et peut manquer les cas imprévus.", "En 1950, Alan Turing propose un jeu d’imitation pour discuter l’intelligence des machines. Le projet de Dartmouth de 1955, suivi de l’atelier de 1956, contribue à établir le domaine nommé intelligence artificielle. Ces repères historiques ne démontrent pas qu’une machine possède une conscience."], "example": "« Si une pièce obligatoire manque, demander une vérification » est une règle explicite. Sa qualité dépend de la règle et de la fiabilité du champ lu.", "pitfall": "La présence d’une règle ne suffit pas à qualifier tout programme d’IA.", "slides": [3, 4, 7, 15], "terms": ["IA symbolique", "système expert", "règle", "Turing", "Dartmouth", "automatisation"]}, {"title": "Apprentissage automatique, profond et génératif", "definition": "L’apprentissage automatique ajuste un modèle à partir de données pour effectuer une tâche.", "paragraphs": ["L’algorithme d’apprentissage utilise des exemples pour ajuster des paramètres. Le modèle obtenu est une représentation calculable. Pour classer des messages, on peut fournir des textes et leurs catégories. La qualité et la représentativité des exemples influencent les performances.", "L’apprentissage profond utilise des réseaux de neurones comportant plusieurs niveaux de transformations. Il peut représenter des relations complexes, mais exige une évaluation adaptée et peut coûter cher en calcul. Il n’est pas automatiquement préférable à une méthode simple.", "L’IA générative produit du contenu, par exemple un texte ou une image. « Génératif » décrit un type de résultat ; « profond » décrit une famille de méthodes. Beaucoup de systèmes génératifs actuels reposent sur l’apprentissage profond, mais ces termes ne sont pas synonymes. Le volume nécessaire de données dépend du problème, de la méthode et des connaissances préexistantes du modèle."], "example": "Un filtre entraîné sur des messages étiquetés apprend à attribuer une catégorie. Un générateur de texte produit une suite de jetons.", "pitfall": "Tout apprentissage n’exige pas des données massives. Aucun modèle n’est fiable uniquement parce qu’il est complexe.", "slides": [4, 6], "terms": ["apprentissage automatique", "machine learning", "apprentissage profond", "deep learning", "IA générative", "modèle"], "table": {"heads": ["Terme", "Ce qu’il décrit", "À ne pas supposer"], "rows": [["IA symbolique", "Connaissances et règles", "Que toute règle est de l’IA"], ["Machine learning", "Ajustement à partir de données", "Que les données doivent toujours être massives"], ["Deep learning", "Plusieurs niveaux de transformations neuronales", "Que plus profond est toujours meilleur"], ["Génératif", "Production de contenu", "Que le contenu est vrai"]]}}, {"title": "Classification et régression", "definition": "La classification prévoit une catégorie ; la régression prévoit une quantité numérique.", "paragraphs": ["En classification, les résultats attendus sont des classes : message administratif ou personnel, document de type A ou B. Le choix des catégories et les règles d’annotation doivent être clairs. Une catégorie codée par un nombre reste une catégorie.", "En régression, la cible est une quantité : durée d’un trajet, température ou note. On évalue la distance entre valeur prédite et valeur observée. Une prédiction doit être interprétée avec son unité et les limites de son domaine d’utilisation.", "La même situation peut produire des problèmes différents. Prévoir la valeur d’une note est une régression. Prévoir si une note dépasse un seuil est une classification. Le seuil utilisé dans un exercice ne représente pas nécessairement un règlement universitaire."], "example": "Prévoir 13,5/20 : régression. Prévoir la catégorie « au-dessus du seuil défini pour l’exercice » : classification.", "pitfall": "La nature de la cible, et non son codage numérique, détermine la tâche.", "slides": [5, 11, 12], "terms": ["classification", "régression", "catégorie", "cible", "étiquette"]}, {"title": "Regroupement et génération", "definition": "Le regroupement recherche des observations similaires sans cible de groupe fournie pour l’ajustement ; la génération produit un contenu.", "paragraphs": ["Le regroupement, ou clustering, utilise des caractéristiques et une mesure de proximité pour constituer des groupes. On ne fournit pas au départ la bonne catégorie de chaque observation pour guider l’ajustement. Les groupes dépendent donc de la représentation et de la méthode.", "La génération produit un texte, une image, un son ou un autre contenu. Un résumé peut être généré, mais il faut contrôler sa fidélité au document. Un système de génération peut également intégrer une recherche documentaire : il faut vérifier les fonctionnalités effectivement présentes.", "Un groupe statistique n’est pas une catégorie naturelle prouvée. Une génération plausible n’est pas une preuve factuelle. Pour les deux tâches, définissez un usage raisonnable et des contrôles adaptés plutôt que de vous fier à l’apparence du résultat."], "example": "Regrouper des articles par caractéristiques sans catégories préalables relève du clustering. Rédiger une synthèse relève ici de la génération.", "pitfall": "Un résumé automatique peut omettre une réserve importante ou ajouter un fait absent du document.", "slides": [5, 11, 12], "terms": ["regroupement", "clustering", "génération", "résumé"]}, {"title": "Entraînement et inférence", "definition": "L’entraînement ajuste les paramètres d’un modèle. L’inférence utilise le modèle pour traiter une nouvelle entrée.", "paragraphs": ["Pendant l’entraînement, une procédure compare ou structure des exemples et modifie le modèle selon un objectif. Ce processus peut être long et mobiliser de nombreuses ressources. Le résultat est un modèle ajusté, pas une collection de réponses garanties vraies.", "Pendant l’inférence, les paramètres sont utilisés pour produire une sortie. Dans un déploiement ordinaire, une nouvelle question ne déclenche pas nécessairement un nouvel entraînement. Certains systèmes peuvent apprendre en ligne, mais il faut le documenter plutôt que le supposer.", "Il faut distinguer les données d’entraînement, les données de validation pour les choix et les données de test pour l’évaluation finale. Les cours 4 et 5 expliquent cette séparation. Une donnée jamais vue n’est utile pour l’évaluation que si elle représente le contexte d’utilisation visé."], "example": "Un filtre est ajusté sur des messages connus, puis classe un nouveau message. Cette seconde opération est une inférence.", "pitfall": "Répondre à un utilisateur ne signifie pas que le système modifie ses paramètres à chaque échange.", "slides": [6, 15], "terms": ["entraînement", "inférence", "paramètre", "nouvelle donnée"]}, {"title": "Représentativité, transfert et causalité", "definition": "La généralisation est la capacité d’un modèle à produire des résultats utiles sur de nouvelles observations pertinentes.", "paragraphs": ["Un échantillon ne représente pas automatiquement toutes les populations ou toutes les périodes. Les langues, habitudes et équipements peuvent différer entre contextes. Un outil performant dans un établissement doit être testé avant un usage dans un autre.", "Une association statistique signifie que des variables varient ensemble. Elle ne démontre pas que modifier l’une causera une modification de l’autre. Des facteurs communs, des erreurs de mesure ou une sélection des observations peuvent expliquer une relation.", "Une prédiction est assortie d’incertitude. Un score affiché n’est pas automatiquement une probabilité correctement calibrée. Il faut préciser ce que mesure le score et comment le modèle a été évalué. Une bonne performance sur une tâche ne démontre ni conscience ni compréhension humaine générale."], "example": "Un classement de messages appris dans une seule langue peut échouer sur les formulations et langues utilisées à Labé.", "pitfall": "« 98 % » sans métrique, échantillon et protocole ne permet pas de juger la fiabilité.", "slides": [7, 8, 13, 14, 15], "terms": ["généralisation", "représentativité", "transfert de contexte", "corrélation", "causalité", "calibration"]}, {"title": "Décrire un usage responsable", "definition": "Un usage responsable précise les limites, les contrôles humains et les conséquences possibles des erreurs.", "paragraphs": ["Pour un cas concret, notez la tâche, les données disponibles avant la décision, la sortie et les personnes concernées. Listez au moins une erreur coûteuse. Définissez ce qui sera vérifié par un humain et ce qui ne doit pas être automatisé sans contrôle.", "Comparez les résultats avec une solution simple et explicable. Examinez les performances sur les sous-groupes pertinents et documentez les limites de l’échantillon. Ne transformez pas un exemple pédagogique en outil de décision réel sans validation spécifique.", "Pour analyser une affirmation commerciale, demandez : quel indicateur ? Sur quelles données ? Quelle proportion de cas difficiles ? Le contexte local a-t-il été testé ? Quelles garanties de confidentialité ? Ces questions rendent l’évaluation concrète et évitent de confondre promesse et preuve."], "example": "Pour orienter les courriels universitaires, prévoir une catégorie « à vérifier » et un contrôle humain pour les messages urgents ou peu sûrs.", "pitfall": "L’absence d’erreur dans une démonstration courte ne garantit pas la fiabilité en fonctionnement réel.", "slides": [9, 10, 13, 14, 15], "terms": ["risque", "contrôle humain", "évaluation", "performance"]}], "exercises": [{"title": "Décrire un outil", "statement": "Définissez un classement de messages universitaires.", "steps": ["Entrée : texte du message", "Sortie : catégorie administrative", "Tâche : classification", "Erreur : message urgent mal orienté"], "result": "Prévoir une vérification humaine pour les cas incertains ou urgents."}, {"title": "Reconnaître les tâches", "statement": "Classez : prévoir une note, distinguer deux documents, rapprocher des articles sans étiquettes, rédiger un résumé.", "steps": ["Identifier le type de sortie et la présence d’une cible"], "result": "Régression ; classification ; regroupement ; génération."}, {"title": "Auditer une promesse", "statement": "Commentez « 98 %, fonctionne partout, comprend les étudiants ».", "steps": ["Demander la métrique et le test", "Examiner le transfert local", "Séparer performance et compréhension"], "result": "Aucune de ces trois affirmations ne suffit sans définition et preuves adaptées."}, {"title": "Comparer deux contextes", "statement": "Un modèle de messages fonctionne ailleurs et échoue à Labé. Proposez des vérifications.", "steps": ["Langues et formulations", "Catégories et annotation", "Échantillon local indépendant", "Analyse des erreurs"], "result": "Évaluer les différences de données et d’usage avant de conclure ou réentraîner."}], "quiz": [{"question": "L’IA se limite-t-elle au machine learning ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Les approches symboliques appartiennent aussi au domaine."}, {"question": "Prévoir une durée est une tâche de…", "answers": ["Régression", "Classification"], "correct": 0, "why": "La sortie est une quantité numérique."}, {"question": "Utiliser un modèle déjà ajusté correspond à…", "answers": ["Inférence", "Entraînement"], "correct": 0, "why": "Les paramètres servent à traiter une nouvelle entrée."}, {"question": "Une corrélation prouve-t-elle une causalité ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Une relation observée peut avoir plusieurs explications."}, {"question": "Un score est-il toujours une probabilité fiable ?", "answers": ["Oui", "Non"], "correct": 1, "why": "La calibration et le protocole doivent être examinés."}], "homework": "Choisir une application universitaire fictive, décrire entrées, sorties, tâche et trois limites probables, sur une page.", "slides": ["Couverture", "Rappel et description d’un système", "Automatisation et histoire", "Approches de l’IA", "Quatre tâches", "Entraînement et inférence", "Applications locales", "Limites scientifiques", "Activité 1 : décrire", "Corrigé 1", "Activité 2 : tâches", "Corrigé 2", "Activité 3 : promesse", "Corrigé 3", "Évaluation et références"]}, {"id": 3, "title": "Algorithmes et résolution de problèmes", "intro": "Passer d’un problème formulé en français à une méthode précise, vérifier les cas limites et suivre l’exécution.", "objectives": ["Définir entrées, sorties et contraintes", "Utiliser variables, conditions et boucles", "Tracer et vérifier un algorithme", "Comparer recherche linéaire et dichotomique"], "prereq": "Cours 1 et 2. Moyennes, comparaisons et calculs élémentaires.", "chapters": [{"title": "Problème, algorithme et programme", "definition": "Un algorithme décrit des opérations précises et ordonnées pour résoudre un problème. Un programme met en œuvre des instructions dans un langage informatique.", "paragraphs": ["La résolution commence par une question claire : que veut-on obtenir et à partir de quelles données ? Le pseudocode est une écriture structurée lisible par un humain. Il permet de discuter la logique avant de choisir un langage comme Python.", "La description doit préciser l’ordre, les conditions et les cas particuliers. « Calculer correctement » ne constitue pas une instruction suffisante. Pour les problèmes étudiés ici, l’exécution doit se terminer et produire le résultat attendu pour les entrées admises.", "Un même algorithme peut être traduit dans plusieurs langages. Deux programmes peuvent aussi résoudre le même problème avec des méthodes différentes. La qualité de la méthode et la qualité de sa traduction se vérifient séparément."], "example": "Pour une moyenne : lire les valeurs, vérifier les contraintes, calculer le total et le nombre, diviser puis afficher.", "pitfall": "Une méthode vague ne devient pas précise parce qu’elle est écrite dans un langage de programmation.", "slides": [2, 3, 15], "terms": ["algorithme", "programme", "pseudocode", "instruction"]}, {"title": "Entrées, sorties, contraintes et cas limites", "definition": "Une spécification précise les données acceptées, le résultat attendu et les règles qui doivent être respectées.", "paragraphs": ["Les entrées sont les données fournies à la méthode. Les sorties décrivent ce qu’elle doit retourner. Les contraintes fixent les valeurs autorisées : notes entre 0 et 20, coefficients non négatifs, nombre d’éléments connu ou liste valide.", "Les cas limites sont les situations proches d’une frontière ou d’un cas particulier : liste vide, une seule note, tous les coefficients nuls, valeur égale à 0 ou 20. Ils doivent être traités explicitement. On ne remplace pas une entrée invalide par une valeur arbitraire.", "Construisez un petit tableau de tests avant le pseudocode : cas ordinaire, cas frontière et cas invalide. Pour chaque cas, écrivez le résultat ou le message attendu. Ce tableau sert à vérifier la méthode et à expliquer ses limites à un autre lecteur."], "example": "Une moyenne d’une liste vide n’est pas définie par division. La méthode doit signaler l’absence de notes avant de calculer.", "pitfall": "Une exécution correcte sur un exemple ne démontre pas la correction sur tous les cas.", "slides": [4, 8, 13, 14], "terms": ["spécification", "contrainte", "cas limite", "validation des entrées", "liste vide"]}, {"title": "Variables, affectation et trace", "definition": "Une variable est un nom associé à une valeur dans l’état du calcul. Une affectation met à jour cette valeur.", "paragraphs": ["Le symbole ← peut représenter une affectation en pseudocode. Dans « somme ← somme + 5 », on lit l’ancienne valeur, on lui ajoute 5, puis on stocke le résultat sous le même nom. Ce n’est pas une égalité mathématique affirmée pour toutes les valeurs.", "Initialiser une variable donne sa valeur de départ. Un accumulateur conserve un total progressif. Un compteur suit un nombre d’éléments ou d’itérations. Le choix de noms explicites aide à suivre le sens du calcul.", "Une trace d’exécution est un tableau des valeurs successives. Elle indique l’étape, la donnée traitée et les variables mises à jour. Une trace permet de repérer une mauvaise initialisation, une mise à jour oubliée ou un ordre incorrect."], "example": "s ← 0 ; ajouter 2, puis 4, puis 6. Valeurs successives : 0, 2, 6, 12. La valeur finale vaut 12.", "pitfall": "Ne confondez pas la valeur initiale et la première valeur après mise à jour.", "slides": [5, 9, 13, 14], "terms": ["variable", "affectation", "initialisation", "accumulateur", "compteur", "trace d’exécution"]}, {"title": "Conditions et décisions", "definition": "Une condition est une expression dont le résultat est vrai ou faux et qui permet de choisir une action.", "paragraphs": ["La structure SI… ALORS… SINON… exécute une branche selon le résultat d’une condition. Les comparaisons comme <, ≤, = ou ≥ doivent être choisies selon la règle exacte. Un cas d’égalité peut changer le résultat.", "Une condition peut aussi servir à refuser une entrée invalide avant un calcul. Il faut alors arrêter proprement ou demander une correction. Continuer le calcul après avoir signalé une erreur peut produire un résultat incohérent.", "Pour tester une décision, choisissez une valeur en dessous du seuil, une valeur exactement au seuil et une au-dessus. Une règle d’exercice est une convention pédagogique. Les règlements réels de validation des études comportent éventuellement d’autres conditions."], "example": "Pour la règle fictive « seuil atteint si moyenne ≥ 10 », 9,9 échoue, 10 et 10,1 atteignent le seuil.", "pitfall": "Le seuil 10/20 utilisé ici ne décrit pas à lui seul les conditions officielles de réussite à l’université.", "slides": [6, 13, 14], "terms": ["condition", "booléen", "comparaison", "seuil"]}, {"title": "Boucles POUR et TANT QUE", "definition": "Une boucle répète un bloc d’instructions selon un parcours ou une condition.", "paragraphs": ["POUR est utile quand on parcourt une collection ou un nombre connu d’éléments. Pour chaque note d’une liste, on peut incrémenter un compteur ou ajouter la note à un total. Les variables de cumul doivent être initialisées avant la boucle.", "TANT QUE répète le bloc tant qu’une condition reste vraie. Pour que le programme se termine, une action doit rendre cette condition fausse après un nombre fini d’étapes, ou une sortie explicite doit être prévue.", "Une boucle infinie ne se termine pas dans les conditions prévues. Une erreur fréquente consiste à oublier la mise à jour du compteur. Une autre consiste à choisir une frontière incorrecte et traiter un élément de trop ou de moins. La trace aide à contrôler ces erreurs."], "example": "Compter les notes ≥ 10 : compteur ← 0 ; pour chaque note valide, si note ≥ 10, compteur ← compteur + 1.", "pitfall": "Demander indéfiniment une saisie n’est pas une garantie d’arrêt. Prévoir aussi une possibilité d’annulation pour un outil réel.", "slides": [7, 13, 15], "terms": ["boucle", "POUR", "TANT QUE", "itération", "boucle infinie"], "code": "compteur ← 0\nPOUR chaque note\n    SI note < 0 OU note > 20 ALORS signaler erreur ; arrêter\n    SI note ≥ 10 ALORS compteur ← compteur + 1\nFIN POUR\nretourner compteur\n# Une liste vide renvoie ici 0 : aucune note au seuil."}, {"title": "Moyenne pondérée : méthode et invariant", "definition": "Un invariant est une propriété qui reste vraie à des points déterminés de chaque itération et aide à justifier un calcul.", "paragraphs": ["Initialiser total et poids à zéro. Pour chaque paire note-coefficient, vérifier que la note est dans l’intervalle prévu et que le coefficient est non négatif. Ajouter note × coefficient au total et le coefficient au poids.", "À la fin du parcours, vérifier que poids est strictement positif avant la division. L’invariant attendu est : après chaque itération, total égale la somme des produits déjà parcourus et poids la somme des coefficients correspondants.", "L’invariant relie les opérations locales au résultat global. Il ne remplace pas la vérification de la terminaison et des entrées. Une trace sur quelques données permet de comprendre la méthode ; le raisonnement sur l’invariant explique pourquoi le cumul correspond à la formule."], "example": "Paires (10,1), (14,2), (15,1). Après chaque étape : (total,poids) = (10,1), (38,3), (53,4). Résultat : 13,25.", "pitfall": "Diviser par le nombre de notes calcule une autre grandeur si les coefficients diffèrent.", "slides": [8, 9, 13, 14], "terms": ["moyenne pondérée", "invariant", "somme des coefficients"], "code": "total ← 0\npoids ← 0\nSI nombre de paires = 0 ALORS signaler « liste vide » ; arrêter\nPOUR chaque paire (note, coefficient)\n    SI note < 0 OU note > 20 OU coefficient < 0\n        signaler « entrée invalide » ; arrêter\n    FIN SI\n    total ← total + note × coefficient\n    poids ← poids + coefficient\nFIN POUR\nSI poids ≤ 0\n    signaler « somme des coefficients nulle »\nSINON\n    retourner total / poids\nFIN SI"}, {"title": "Maximum, recherche linéaire et dichotomie", "definition": "La recherche linéaire parcourt les éléments ; la recherche dichotomique réduit par moitié un intervalle dans une collection ordonnée adaptée.", "paragraphs": ["Pour trouver un maximum, traiter d’abord la liste vide puis initialiser le maximum au premier élément. Parcourir les suivants et remplacer le maximum si une valeur plus grande apparaît. Initialiser à zéro échoue sur une liste de nombres tous négatifs.", "Une recherche linéaire compare successivement les éléments jusqu’à trouver la valeur ou terminer la liste. Elle ne requiert pas un tri. Dans le pire cas, le nombre d’éléments examinés est proportionnel à la taille de la liste.", "La dichotomie compare la valeur au milieu d’un intervalle trié puis conserve la moitié pertinente. Pour une recherche sur tableau, elle suppose un ordre cohérent et l’accès adapté aux positions. Le tri préalable a un coût : la dichotomie n’est pas automatiquement le meilleur choix pour une seule petite recherche."], "example": "Maximum de 8, 14, 5, 18, 12 : valeurs du maximum courant 8, 14, 14, 18, 18. Résultat : 18.", "pitfall": "Chercher par dichotomie dans une liste non triée peut éliminer la partie contenant la réponse.", "slides": [10, 11, 13, 14], "terms": ["maximum", "recherche linéaire", "recherche dichotomique", "dichotomie", "tri"], "code": "SI liste vide ALORS signaler « aucun maximum » ; arrêter\nmaximum ← premier élément\nPOUR chaque élément suivant\n    SI élément > maximum ALORS maximum ← élément\nFIN POUR\nretourner maximum"}, {"title": "Coût algorithmique et heuristique", "definition": "La complexité décrit comment les ressources nécessaires évoluent avec la taille des données, selon un modèle de calcul précisé.", "paragraphs": ["La notation O(n) exprime ici une borne asymptotique de croissance linéaire, pas une durée en secondes. Une recherche linéaire a un pire cas en O(n). La dichotomie sur tableau trié a un coût logarithmique en O(log n) pour les comparaisons.", "Le temps réel dépend aussi de l’ordinateur, de l’implémentation et des données. Comparer deux méthodes demande de préciser l’opération comptée et de ne pas oublier les étapes préalables comme le tri.", "Une heuristique est une règle de recherche qui guide vers des solutions prometteuses sans garantir, en général, une solution optimale. En IA, une recherche d’itinéraire peut explorer des états et utiliser une estimation de distance. Les garanties dépendent de l’algorithme et des propriétés de cette estimation."], "example": "Pour doubler une liste, un parcours linéaire examine environ deux fois plus d’éléments ; une dichotomie ajoute environ une étape, à modèle constant.", "pitfall": "Une méthode rapide sur un seul exemple n’a pas nécessairement la meilleure croissance pour de grandes données.", "slides": [11, 12, 14, 15], "terms": ["complexité", "O(n)", "O(log n)", "heuristique", "état"]}], "exercises": [{"title": "Tracer une somme", "statement": "Initialisez s à 0, puis ajoutez 2, 4 et 6. Donnez la trace.", "steps": ["Écrire l’état initial", "Mettre à jour après chaque ajout"], "result": "0, 2, 6, 12."}, {"title": "Corriger une moyenne", "statement": "Un programme divise 53 par 3 pour les paires (10,1), (14,2), (15,1).", "steps": ["Somme des poids : 1+2+1 = 4", "Vérifier que 4 > 0"], "result": "53/4 = 13,25 et non 53/3."}, {"title": "Maximum avec négatifs", "statement": "Trouvez le maximum de −8, −2 et −9. Que vaut une initialisation à 0 ?", "steps": ["Initialiser à −8", "Comparer −2 puis −9"], "result": "Maximum −2. Une initialisation à 0 renverrait une valeur absente et fausse."}, {"title": "Recherche et prérequis", "statement": "Cherchez 8 dans 1, 3, 5, 8, 10 par dichotomie.", "steps": ["Milieu : 5, garder la droite", "Comparer les positions restantes"], "result": "8 est trouvé. L’ordre de la liste justifie l’élimination des moitiés."}], "quiz": [{"question": "Une affectation est-elle une égalité mathématique ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Elle met à jour un état de calcul."}, {"question": "Quelle entrée exige un traitement explicite pour un maximum ?", "answers": ["Liste vide", "Liste de taille 3"], "correct": 0, "why": "Le premier élément n’existe pas pour initialiser le maximum."}, {"question": "La dichotomie exige ici…", "answers": ["Une liste triée", "Une liste aléatoire"], "correct": 0, "why": "L’ordre permet d’éliminer une moitié."}, {"question": "O(n) mesure directement des secondes ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Il décrit une croissance selon un modèle de coût."}, {"question": "Une heuristique garantit toujours l’optimum ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Ses garanties dépendent de la méthode et des hypothèses."}], "homework": "Écrire le pseudocode qui compte les notes ≥ 10, traiter liste vide et valeurs invalides, puis tracer deux exemples.", "slides": ["Couverture", "Objectifs", "Algorithme et programme", "Analyse du problème", "Variables et affectation", "Conditions", "Boucles", "Moyenne pondérée", "Trace et invariant", "Maximum", "Recherche linéaire et dichotomique", "Coût et heuristique", "Atelier papier", "Corrigés", "Synthèse et devoir"]}, {"id": 4, "title": "Données et principes de l’apprentissage automatique", "intro": "Construire un tableau cohérent, préparer les variables et évaluer un modèle sans utiliser d’informations indisponibles au moment prévu.", "objectives": ["Définir observation, variable et cible", "Contrôler qualité et données manquantes", "Séparer entraînement, validation et test", "Repérer les fuites et comparer à une référence simple"], "prereq": "Cours 1 à 3. Lecture d’un tableau, moyenne et calculs élémentaires.", "chapters": [{"title": "Observation, variable et dictionnaire de données", "definition": "Un jeu de données rassemble des observations décrites par des variables. L’unité d’observation définit ce que représente une ligne.", "paragraphs": ["Une ligne peut représenter un étudiant, une inscription ou une observation mensuelle. Ces unités ne sont pas interchangeables. Si un même étudiant apparaît plusieurs fois, les lignes ne correspondent pas nécessairement à des personnes indépendantes.", "Une variable est une caractéristique observée ou construite. Le dictionnaire de données précise son nom, son sens, son unité, son type, les valeurs possibles et la façon dont les absences sont codées. Cette documentation permet à un autre lecteur de comprendre le tableau.", "Un identifiant sert à distinguer ou relier les observations. Il ne doit pas être utilisé par défaut comme variable prédictive : il peut encoder un ordre de collecte, un groupe ou une information sensible et créer des relations artificielles. Retirer les noms ne garantit pas l’anonymat."], "example": "Une ligne fictive : E001 ; filière Math ; heures par semaine 8 ; note initiale 9 ; note finale 12. L’unité est ici un étudiant.", "pitfall": "Un tableau sans définition de la ligne ni des unités reste ambigu, même s’il est propre visuellement.", "slides": [2, 3, 4, 15], "terms": ["jeu de données", "observation", "variable", "dictionnaire de données", "identifiant", "unité d’observation"]}, {"title": "Variables numériques, catégorielles et cible", "definition": "La nature d’une variable décrit ce qu’elle représente ; son rôle décrit son usage dans un modèle.", "paragraphs": ["Une variable numérique représente une quantité mesurable ou dénombrable. Une variable catégorielle décrit une modalité : filière ou type de document. Coder Math par 1 et Physique par 2 ne crée pas une distance quantitative naturelle entre ces filières.", "Une variable explicative, ou caractéristique d’entrée, est disponible pour produire la prédiction. La cible, souvent notée y, est la quantité ou la classe que l’on cherche à prévoir. Les entrées sont souvent notées X. Le rôle dépend du problème, pas uniquement de la colonne.", "Le moment de prédiction doit être fixé. Une information connue après l’examen ne peut pas servir à prévoir le résultat avant l’examen. Il faut aussi éviter les variables dérivées de la cible qui semblent différentes mais contiennent déjà la réponse."], "example": "Pour prévoir la note finale avant l’examen : heures de travail déjà mesurées et note initiale peuvent être disponibles ; mention finale et commentaires après examen ne le sont pas.", "pitfall": "Une colonne numériquement codée n’est pas forcément une quantité mesurable.", "slides": [3, 4, 8, 11], "terms": ["variable numérique", "variable catégorielle", "variable explicative", "caractéristique", "feature", "cible", "X", "y"]}, {"title": "Qualité : absences, doublons et incohérences", "definition": "Le contrôle qualité vérifie la cohérence, la disponibilité et l’adéquation des données avant la modélisation.", "paragraphs": ["Une donnée manquante représente une absence d’information. Ce n’est pas automatiquement la valeur zéro. Zéro heure de travail et nombre d’heures inconnu n’ont pas le même sens. Il faut documenter le mécanisme de collecte et la stratégie de traitement.", "Un doublon peut être une copie accidentelle ou deux événements légitimes. On doit identifier l’unité d’observation avant de supprimer. Une incohérence, comme 120/20 pour une note, doit être vérifiée auprès de la source plutôt que corrigée arbitrairement.", "L’imputation remplace une absence selon une règle, par exemple médiane d’entraînement. Cette opération peut modifier les relations et doit être justifiée. Les paramètres de préparation doivent être appris sur l’entraînement seulement pour éviter une contamination de l’évaluation."], "example": "Pour des heures [2, 0, absence, 6], conserver 0 comme valeur mesurée et traiter séparément l’absence. Ne pas remplacer les deux par la même valeur sans justification.", "pitfall": "Une valeur rare ou extrême n’est pas nécessairement fausse. Une valeur absente n’est pas un zéro.", "slides": [5, 8, 13], "terms": ["valeur manquante", "doublon", "incohérence", "imputation", "médiane", "qualité des données"]}, {"title": "Standardisation et échelles", "definition": "La standardisation centre une variable et la divise par un écart-type estimé sur les données d’entraînement.", "paragraphs": ["Pour une valeur x, on calcule z = (x − μ)/σ. μ est la moyenne de l’entraînement et σ son écart-type selon une convention documentée. Le résultat exprime un écart à la moyenne en unités d’écart-type.", "On applique les mêmes paramètres aux données de validation et de test. Recalculer moyenne et écart-type sur l’ensemble du tableau utilise des informations réservées à l’évaluation. Une chaîne de préparation conserve ensemble la règle apprise et son application.", "Si σ vaut zéro, la variable est constante dans l’entraînement et la formule ne peut pas être appliquée telle quelle. Il faut décider d’un traitement documenté. La standardisation est utile pour de nombreuses méthodes à distances ou à gradients, mais elle n’est pas nécessaire de la même manière pour tous les modèles."], "example": "Moyenne d’entraînement 10 et écart-type 2 : pour x = 14, z = 2. Les mêmes 10 et 2 sont utilisés pour un x de test.", "pitfall": "Standardiser ne rend pas automatiquement la distribution normale et n’élimine pas les valeurs aberrantes.", "slides": [6, 8, 11], "terms": ["standardisation", "normalisation", "moyenne", "écart-type", "z-score", "prétraitement"]}, {"title": "Entraînement, validation, test et structure", "definition": "La séparation des données attribue des rôles distincts à l’ajustement, au choix et à l’évaluation finale.", "paragraphs": ["L’entraînement ajuste les paramètres du modèle. La validation compare les choix, par exemple le nombre de voisins ou la profondeur d’un arbre. Le test est réservé à l’évaluation finale de la procédure retenue. Le consulter sans cesse pour choisir revient à l’utiliser comme validation.", "Pour une série temporelle, on évalue en général sur une période postérieure à l’entraînement, selon l’objectif. Pour des mesures répétées, il faut souvent séparer les personnes ou groupes pour éviter de retrouver la même personne dans les deux ensembles.", "Il n’existe pas de proportion universelle correcte pour toutes les études. La taille, les classes rares, la dépendance des observations et l’usage prévu guident le protocole. La validation croisée répète des partitions selon une stratégie adaptée ; elle ne supprime pas les risques de fuite."], "example": "Pour prévoir des résultats futurs, apprendre sur des périodes antérieures puis tester sur une période ultérieure. Pour généraliser à de nouveaux étudiants, séparer les étudiants.", "pitfall": "Un tirage aléatoire ligne par ligne peut être inadapté si les lignes sont liées par personne ou par date.", "slides": [7, 8, 14], "terms": ["entraînement", "validation", "test", "validation croisée", "séparation temporelle", "groupes"], "code": "définir le moment et la population de prédiction\nséparer entraînement, validation et test selon temps / groupes\napprendre l’imputation et la standardisation sur l’entraînement\nappliquer ces transformations sans les réapprendre sur validation / test\najuster le modèle sur l’entraînement\nchoisir réglages sur validation\névaluer une fois la procédure retenue sur le test réservé", "table": {"heads": ["Ensemble", "Fonction", "Interdit dans le protocole"], "rows": [["Entraînement", "Ajuster paramètres et préparation", "Y inclure des informations futures"], ["Validation", "Comparer réglages et variantes", "La présenter comme test final après de multiples choix"], ["Test", "Évaluer la procédure retenue", "Le réutiliser pour régler le modèle"]]}}, {"title": "Fuite de données", "definition": "Une fuite de données utilise dans l’apprentissage ou l’évaluation une information qui ne devrait pas être disponible selon le protocole prévu.", "paragraphs": ["Une fuite temporelle utilise le futur pour prédire le passé. Une fuite de cible utilise une variable qui révèle directement ou indirectement la réponse. Une fuite de préparation apparaît quand une transformation apprend sur le test avant son évaluation.", "Des doublons répartis entre entraînement et test peuvent donner l’impression de généraliser alors que le modèle retrouve presque les mêmes exemples. De même, des observations d’une même personne dans les deux ensembles peuvent faciliter artificiellement une prédiction.", "Pour contrôler la fuite, documentez le moment où chaque information devient disponible, séparez avant d’apprendre les transformations et examinez les liens entre observations. Un score inhabituellement bon doit conduire à vérifier le protocole avant de célébrer le modèle."], "example": "Utiliser « mention finale » pour prévoir la note finale avant l’examen est une fuite, même si le nom de la colonne semble différent.", "pitfall": "La fuite peut rester présente après retrait de la colonne cible si d’autres colonnes en sont des dérivées.", "slides": [8, 11, 12, 13], "terms": ["fuite de données", "data leakage", "fuite temporelle", "contamination", "fuite de cible"]}, {"title": "Sous-apprentissage, surapprentissage et diagnostic", "definition": "Le sous-apprentissage décrit une modélisation insuffisante des relations utiles ; le surapprentissage décrit un ajustement excessif aux particularités de l’entraînement.", "paragraphs": ["Un modèle trop simple peut produire des erreurs élevées sur l’entraînement et sur les nouvelles données. Un modèle très flexible peut obtenir une faible erreur d’entraînement et une erreur beaucoup plus élevée sur la validation.", "Cet écart suggère une difficulté de généralisation mais n’identifie pas une cause unique. Il faut examiner la complexité, la représentativité, un éventuel changement de distribution, la préparation et la taille de l’échantillon. Les valeurs d’erreur doivent être interprétées avec leur métrique et leur unité.", "Les réponses possibles incluent simplification, régularisation, amélioration des données ou révision du protocole. Le test final ne doit pas servir à ajuster chaque intervention. Les décisions de développement doivent s’appuyer sur l’entraînement et la validation."], "example": "Erreur d’entraînement 0,1 et erreur de test 5,0 : vérifier surapprentissage, changement de contexte, préparation et définition de la métrique.", "pitfall": "Une baisse de l’erreur d’entraînement ne suffit pas à démontrer une amélioration utile.", "slides": [9, 12, 14], "terms": ["sous-apprentissage", "surapprentissage", "overfitting", "underfitting", "distribution"]}, {"title": "Référence simple, reproductibilité et confidentialité", "definition": "Une référence simple est une méthode de comparaison qui permet de juger l’apport d’un modèle plus élaboré.", "paragraphs": ["Pour la régression, une référence peut prédire la moyenne de la cible de l’entraînement. Pour la classification, elle peut toujours prédire la classe majoritaire de l’entraînement. Une autre référence dépend du contexte, comme la persistance pour certaines séries.", "La reproductibilité demande de conserver la source, les transformations, les partitions, les versions des outils et les métriques. Une graine aléatoire aide à répéter certaines opérations mais ne garantit pas des résultats identiques sur tous les systèmes.", "La confidentialité commence par la minimisation : ne collecter que ce qui est nécessaire. Retirer les noms ne suffit pas si d’autres variables permettent une réidentification. Les activités du module utilisent des données fictives et ne doivent pas être remplacées par des dossiers réels sans autorisation et cadre appropriés."], "example": "Si un modèle obtient une MAE de 2, comparez-la à la référence sur le même test. Si la référence obtient 1,5, le modèle complexe n’apporte pas de gain pour cette métrique.", "pitfall": "Une référence faible ou évaluée sur d’autres données rend la comparaison trompeuse.", "slides": [10, 14, 15], "terms": ["référence simple", "baseline", "reproductibilité", "graine aléatoire", "minimisation", "réidentification"]}], "exercises": [{"title": "Concevoir une table", "statement": "Définissez cinq colonnes fictives pour prévoir une note avant l’examen.", "steps": ["Préciser une ligne = un étudiant", "Définir type, unité et disponibilité", "Écarter les informations après examen"], "result": "ID pour suivi ; heures antérieures, note initiale et filière comme entrées discutées ; note finale comme cible."}, {"title": "Standardiser sans fuite", "statement": "Moyenne d’entraînement 10, écart-type 2 ; valeur de test 14.", "steps": ["Soustraire 10", "Diviser par 2", "Conserver les paramètres d’entraînement"], "result": "z = 2. Ne pas recalculer ces paramètres sur le test."}, {"title": "Diagnostiquer un écart", "statement": "Erreur entraînement 0,1 ; test 5. Que vérifiez-vous ?", "steps": ["Complexité et surapprentissage", "Distribution et représentativité", "Séparation et préparation", "Métrique et taille d’échantillon"], "result": "L’écart seul ne démontre pas une cause unique."}, {"title": "Trouver la fuite", "statement": "La normalisation est apprise sur toutes les lignes avant séparation ; la mention finale sert d’entrée.", "steps": ["Identifier la préparation contaminée", "Identifier la variable future"], "result": "Apprendre le prétraitement sur l’entraînement et retirer l’information indisponible au moment prévu."}], "quiz": [{"question": "Une donnée manquante vaut-elle zéro ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Absence et mesure nulle ont des sens différents."}, {"question": "Sur quelles données apprendre la standardisation ?", "answers": ["Toutes les données", "Entraînement seulement"], "correct": 1, "why": "Les paramètres sont ensuite appliqués sans réajustement au test."}, {"question": "Le test final sert principalement à…", "answers": ["Choisir les hyperparamètres", "Évaluer la procédure retenue"], "correct": 1, "why": "Les choix relèvent de la validation."}, {"question": "Retirer les noms garantit-il l’anonymat ?", "answers": ["Oui", "Non"], "correct": 1, "why": "D’autres combinaisons peuvent réidentifier."}, {"question": "Pourquoi comparer à une référence simple ?", "answers": ["Pour juger un gain utile", "Pour éviter toute évaluation"], "correct": 0, "why": "La complexité seule ne justifie pas un modèle."}], "homework": "Créer dix observations fictives, un dictionnaire de données et un plan de séparation qui évite les informations futures.", "slides": ["Couverture", "Parcours de la donnée", "Anatomie d’un tableau", "Nature et rôle des variables", "Qualité des données", "Standardisation", "Trois ensembles", "Fuite de données", "Sous et surapprentissage", "Références et reproductibilité", "Cible et standardisation", "Interpréter un écart", "Évaluation", "Synthèse", "Travail et bibliographie"]}, {"id": 5, "title": "Apprentissage supervisé : classification et régression", "intro": "Relier des entrées à une cible connue, comprendre trois modèles et mesurer leurs erreurs avec des métriques adaptées.", "objectives": ["Distinguer classification et régression", "Expliquer modèle linéaire, k-NN et arbre", "Calculer MAE, RMSE et métriques de classification", "Évaluer sans fuite et discuter les conséquences des erreurs"], "prereq": "Cours 4. Moyenne, distance simple et pourcentage.", "chapters": [{"title": "Supervision, cible et prédiction", "definition": "En apprentissage supervisé, les exemples d’entraînement associent des entrées X à une réponse connue y, appelée cible.", "paragraphs": ["L’entraînement ajuste une fonction reliant les entrées à la cible. Une prédiction, souvent notée ŷ, est la réponse du modèle pour une observation. L’évaluation compare ces prédictions aux réponses observées sur des données réservées selon le protocole.", "Une cible peut contenir des erreurs de mesure ou une annotation subjective. Des règles d’étiquetage incohérentes limitent l’apprentissage. Avant de choisir un modèle, vérifiez le sens de la cible, sa qualité et les informations réellement disponibles au moment de la prédiction.", "La classification prédit une catégorie et la régression une quantité. Des classes codées 0 et 1 restent catégorielles. Le codage sert au calcul ; il ne transforme pas le sens de la variable. Les conséquences d’une erreur dépendent de l’usage, pas seulement du score."], "example": "Pour prévoir une durée, y est un nombre de minutes. Pour reconnaître un type de document, y est une catégorie définie à l’avance.", "pitfall": "Une cible connue à l’entraînement ne doit pas être disponible comme entrée au moment où le modèle est évalué.", "slides": [2, 3, 4], "terms": ["apprentissage supervisé", "supervision", "cible", "prédiction", "étiquetage"]}, {"title": "Régression linéaire simple", "definition": "La régression linéaire simple représente une prédiction par une fonction affine ŷ = ax + b.", "paragraphs": ["x est l’entrée numérique, a la pente et b l’ordonnée à l’origine. La pente exprime la variation prédite de y pour une unité supplémentaire de x, dans le modèle. L’ordonnée donne la prédiction pour x = 0 si cette valeur a un sens dans le contexte.", "Dans la méthode classique des moindres carrés, on ajuste les coefficients pour réduire la somme des carrés des écarts entre prédictions et observations d’entraînement. On vérifie ensuite la performance sur des données réservées. Le modèle peut être insuffisant si la relation utile est très différente d’une droite.", "Le coefficient n’établit pas une causalité. Une relation peut résulter de variables omises ou de la sélection des données. Extrapoler très loin des valeurs d’entraînement exige une prudence particulière, car la relation observée peut ne plus tenir."], "example": "Pour ŷ = 2x + 3 et x = 4, la prédiction vaut 11. Cela ne démontre pas que modifier x cause une variation de y.", "pitfall": "La formule d’un modèle décrit une relation prédictive sous hypothèses, pas une loi universelle.", "slides": [5, 11], "terms": ["régression linéaire", "pente", "ordonnée à l’origine", "moindres carrés", "extrapolation"]}, {"title": "Les k plus proches voisins", "definition": "k-NN signifie k-Nearest Neighbors : une méthode qui prédit à partir des k observations d’entraînement les plus proches selon une distance.", "paragraphs": ["Pour classer une nouvelle observation, on calcule les distances aux exemples d’entraînement, on choisit les k plus proches puis on effectue un vote selon une règle annoncée. Pour une régression, on peut prendre la moyenne des cibles des voisins, avec ou sans pondération.", "Le nombre k est un hyperparamètre choisi par validation. Un petit k peut être sensible au bruit ; un grand k peut lisser des différences importantes. En cas d’égalité de distances ou de votes, la règle de départage doit être explicite pour reproduire le résultat.", "Les échelles des variables influencent les distances. Une variable exprimée en milliers peut dominer une variable entre 0 et 1. La standardisation se prépare sur l’entraînement. La distance doit aussi être adaptée au sens des variables, surtout pour les catégories."], "example": "Voisins les plus proches de classes A, B et A avec k = 3 : vote majoritaire A. Avec cibles 10, 12 et 14 en régression : moyenne 12.", "pitfall": "La proximité numérique n’a de sens que si la représentation et les unités sont adaptées.", "slides": [6], "terms": ["k-NN", "k plus proches voisins", "distance", "vote majoritaire", "hyperparamètre"]}, {"title": "Arbre de décision et complexité", "definition": "Un arbre de décision applique une succession de conditions sur les variables et produit une prédiction dans une feuille.", "paragraphs": ["Chaque nœud interne pose une question, par exemple x ≤ 5. Chaque branche correspond à une réponse. Une feuille donne une classe ou une valeur. L’entraînement cherche des divisions selon un critère d’ajustement, puis la prédiction suit le chemin correspondant à l’entrée.", "Un arbre très profond peut isoler des particularités des données et mal généraliser. Limiter la profondeur, imposer un nombre minimal d’observations par feuille ou élaguer sont des moyens possibles de contrôler sa complexité. Les réglages se choisissent sur validation.", "Un arbre affiché semble lisible, mais cette lisibilité ne garantit ni stabilité ni équité. Une petite modification des données peut parfois changer les divisions. Il faut examiner les erreurs, la sensibilité et les conséquences du modèle dans le contexte étudié."], "example": "Si x > 5, suivre la branche droite ; sinon la gauche. La valeur de la feuille atteinte est la prédiction pour cette règle.", "pitfall": "La facilité à dessiner un modèle ne prouve pas qu’il est fiable sur de nouvelles observations.", "slides": [7, 14], "terms": ["arbre de décision", "nœud", "feuille", "profondeur", "élagage"]}, {"title": "Erreurs de régression : résidu, MAE et RMSE", "definition": "La MAE est la moyenne des erreurs absolues. La RMSE est la racine de la moyenne des erreurs au carré.", "paragraphs": ["Choisissons la convention résidu e = y − ŷ. Le signe indique si la prédiction est trop basse ou trop haute selon cette convention. La MAE calcule la moyenne des |e| ; la RMSE calcule la racine carrée de la moyenne des e².", "Les deux métriques s’expriment dans l’unité de la cible. La RMSE accorde davantage de poids aux grands écarts à cause du carré. Deux modèles peuvent donc être classés différemment selon la métrique. Il faut annoncer celle qui correspond au coût des erreurs.", "Une moyenne peut cacher des échecs importants. Inspectez aussi les grands écarts et les sous-groupes pertinents. Les métriques exigent des paires de valeurs comparables et un nombre d’observations positif. Les valeurs manquantes demandent un traitement documenté."], "example": "Réels 8, 12, 16 ; prédits 10, 11, 13 : résidus −2, 1, 3 ; MAE = 6/3 = 2 ; RMSE = √(14/3) ≈ 2,16.", "pitfall": "Ne confondez pas moyenne des erreurs signées et MAE : les signes peuvent s’annuler.", "slides": [8, 11, 14], "terms": ["résidu", "MAE", "erreur absolue moyenne", "RMSE", "racine de l’erreur quadratique moyenne"]}, {"title": "Matrice de confusion", "definition": "Une matrice de confusion compare les classes observées et les classes prédites selon une orientation explicitée.", "paragraphs": ["Pour une classification binaire, on choisit d’abord la classe positive. VP signifie vrai positif : positif observé et prédit. FN signifie faux négatif : positif observé mais prédit négatif. FP est un négatif observé déclaré positif. VN est un négatif correctement reconnu.", "Il faut toujours lire les axes : certaines tables mettent la réalité en lignes et d’autres en colonnes. Les termes VP, FN, FP et VN dépendent du choix de classe positive. Sans cette convention, un calcul peut sembler correct tout en décrivant une autre situation.", "Les erreurs ont des conséquences différentes. Un faux négatif peut manquer un cas à examiner. Un faux positif peut déclencher une vérification inutile. Les exemples médicaux restent ici des illustrations mathématiques ; ils ne constituent pas une règle clinique."], "example": "VP = 8, FN = 4, FP = 2, VN = 6 : total 20, dont 12 positifs réels et 10 alertes positives.", "pitfall": "Un tableau de quatre nombres sans axes ni définition de la classe positive ne suffit pas à calculer et interpréter correctement.", "slides": [9, 12], "terms": ["matrice de confusion", "VP", "vrai positif", "FN", "faux négatif", "FP", "faux positif", "VN", "vrai négatif"]}, {"title": "Exactitude, précision, rappel et déséquilibre", "definition": "L’exactitude mesure la proportion de prédictions correctes ; la précision juge les alertes positives ; le rappel mesure les positifs retrouvés.", "paragraphs": ["Exactitude = (VP + VN)/N. Précision = VP/(VP + FP). Rappel = VP/(VP + FN). La précision demande : parmi les prédits positifs, combien sont réellement positifs ? Le rappel demande : parmi les positifs réels, combien ont été détectés ?", "Un dénominateur nul rend la fraction indéfinie. Un logiciel peut appliquer une convention, mais il faut la documenter. Une métrique affichée à zéro ou à un ne doit pas cacher l’absence de cas permettant son estimation.", "Quand 95 % des observations sont négatives, toujours prédire négatif donne 95 % d’exactitude et aucun positif détecté. Il faut examiner les classes et les types d’erreurs. Un score global élevé peut masquer un système inutile pour l’objectif prioritaire."], "example": "Pour VP 8, FN 4, FP 2, VN 6 : précision 8/10 = 80 % ; rappel 8/12 ≈ 66,7 % ; exactitude 14/20 = 70 %.", "pitfall": "« Précision » en français courant ne doit pas être confondue avec l’exactitude. Ici les termes suivent leurs formules.", "slides": [10, 12, 14], "terms": ["exactitude", "accuracy", "précision", "precision", "rappel", "recall", "sensibilité", "déséquilibre des classes"], "table": {"heads": ["Métrique", "Formule", "Question"], "rows": [["Exactitude", "(VP+VN)/N", "Quelle part totale est correcte ?"], ["Précision", "VP/(VP+FP)", "Quelle part des alertes positives est correcte ?"], ["Rappel", "VP/(VP+FN)", "Quelle part des positifs réels est retrouvée ?"]]}}, {"title": "Seuil, validation et choix d’un modèle", "definition": "Un seuil transforme un score en décision. Son choix dépend du coût des erreurs et doit être évalué sans utiliser le test final pour le réglage.", "paragraphs": ["À scores fixés, déclarer positif lorsque score ≥ seuil produit des alertes. Abaisser le seuil augmente ou maintient le nombre de cas déclarés positifs, donc le rappel, mais peut accroître les faux positifs. La précision peut évoluer de manière non monotone.", "Les hyperparamètres et le seuil se choisissent selon une procédure de validation annoncée. Le test final estime la performance de la procédure retenue. Comparer plusieurs modèles en conservant seulement le meilleur résultat du test surestime potentiellement la performance future.", "Une décision responsable combine métriques, coûts des erreurs, incertitude, faisabilité et équité. Une règle de classement n’a pas à être utilisée automatiquement dans une décision concernant une personne. Les activités du module sont fictives et ne valident aucun dispositif réel."], "example": "Pour un tri de documents, le coût principal peut être une mauvaise orientation. On peut demander une vérification lorsque le score est proche du seuil.", "pitfall": "Un seuil de 0,5 n’est pas une vérité universelle et un score 0,8 n’est pas automatiquement une probabilité calibrée.", "slides": [10, 13, 14, 15], "terms": ["seuil de décision", "validation", "choix du modèle", "score", "calibration"]}], "exercises": [{"title": "Prédire sur une droite", "statement": "Pour ŷ = 2x + 3, calculez à x = 4. La causalité est-elle prouvée ?", "steps": ["2×4 = 8", "8+3 = 11"], "result": "Prédiction 11. Aucune causalité n’est démontrée par cette formule seule."}, {"title": "Calculer deux erreurs", "statement": "Réels 8,12,16 et prédits 10,11,13.", "steps": ["Erreurs absolues : 2,1,3", "Somme des carrés : 4+1+9 = 14"], "result": "MAE 2 ; RMSE √(14/3) ≈ 2,16."}, {"title": "Lire une matrice", "statement": "VP8, FN4, FP2, VN6. Calculez trois métriques.", "steps": ["N=20", "Prédits positifs=10", "Positifs réels=12"], "result": "Exactitude 70 % ; précision 80 % ; rappel 66,7 %."}, {"title": "Déjouer le déséquilibre", "statement": "Sur 100 cas, 95 sont négatifs. Un modèle prédit toujours négatif.", "steps": ["VP0, FN5, FP0, VN95", "Exactitude 95/100", "Rappel 0/5"], "result": "Exactitude 95 %, rappel 0 %, précision indéfinie car aucune alerte positive."}], "quiz": [{"question": "Une catégorie codée 0/1 devient-elle une cible de régression ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Le sens de la cible reste catégoriel."}, {"question": "Que mesure le rappel ?", "answers": ["La part des positifs réels retrouvés", "La part correcte parmi les alertes positives"], "correct": 0, "why": "VP/(VP+FN)."}, {"question": "Quelle métrique pénalise davantage de grands écarts ?", "answers": ["RMSE", "MAE"], "correct": 0, "why": "Le carré accentue les grands écarts."}, {"question": "Où choisir k pour k-NN ?", "answers": ["Validation", "Test final répété"], "correct": 0, "why": "Le test final ne doit pas servir au réglage."}, {"question": "Plus de profondeur garantit-il un arbre meilleur ?", "answers": ["Oui", "Non"], "correct": 1, "why": "La complexité peut accroître le surapprentissage."}], "homework": "Construire une matrice fictive de 40 cas, calculer les trois métriques et justifier l’erreur la plus coûteuse dans un usage choisi.", "slides": ["Couverture", "Objectifs", "Principe de supervision", "Régression et classification", "Régression linéaire", "k-NN", "Arbre de décision", "MAE et RMSE", "Matrice de confusion", "Métriques et déséquilibre", "Activités régression", "Activité confusion", "Évaluation", "Synthèse", "Devoir et références"]}, {"id": 6, "title": "Apprentissage non supervisé et découverte de groupes", "intro": "Mesurer une proximité, effectuer une itération de k-means et interpréter les groupes avec prudence.", "objectives": ["Distinguer supervisé et non supervisé", "Calculer des distances", "Réaliser une itération de k-means", "Expliquer l’ACP et les limites d’interprétation"], "prereq": "Cours 4 et 5. Moyenne, coordonnées et distance élémentaire.", "chapters": [{"title": "L’absence de cible pour l’ajustement", "definition": "L’apprentissage non supervisé recherche des structures dans des données sans réponse cible fournie pour guider l’ajustement de la tâche.", "paragraphs": ["En supervisé, on apprend à relier X à une cible y connue dans les exemples. En non supervisé, les caractéristiques sont disponibles mais les groupes ne sont pas fournis comme réponses correctes pour l’ajustement.", "Une colonne d’étiquettes peut exister pour une comparaison ultérieure sans être utilisée pour apprendre. Il faut donc préciser ce que la méthode reçoit effectivement, et pas seulement le contenu total du fichier.", "Le regroupement organise selon une représentation, une distance et un objectif mathématique. Il peut aider à explorer un jeu de données ou à préparer une analyse, mais ne prouve pas l’existence de catégories naturelles. Le sens des groupes doit être discuté à partir des variables choisies."], "example": "Regrouper des documents selon leur longueur et leur vocabulaire sans catégories prédéfinies constitue une tâche exploratoire non supervisée.", "pitfall": "Les groupes ne sont pas des étiquettes correctes découvertes automatiquement avec une garantie de vérité.", "slides": [2, 3, 10, 13], "terms": ["apprentissage non supervisé", "non supervisé", "structure", "regroupement"]}, {"title": "Distances et géométrie de la similarité", "definition": "Une distance mesure une séparation selon une représentation et une règle mathématique données.", "paragraphs": ["En une dimension, la distance entre x et z peut être |x − z|. En deux dimensions, la distance euclidienne vaut √((x₁ − z₁)² + (x₂ − z₂)²). Les coordonnées doivent représenter des variables dont l’usage dans cette distance est justifié.", "Deux observations sont dites proches selon la mesure choisie. Changer les variables, les unités ou la distance peut changer les voisins et les groupes. La similarité ne se déduit pas uniquement de l’identité ou du nom des objets.", "Une distance peut être sensible aux valeurs extrêmes. Pour des textes ou des catégories, d’autres représentations et mesures peuvent être nécessaires. Le choix de la géométrie fait partie de la méthode et doit être documenté avant l’interprétation des résultats."], "example": "Entre (1,2) et (4,6), les écarts sont 3 et 4 ; distance euclidienne = √(9+16) = 5.", "pitfall": "La proximité dans un graphique à deux axes peut masquer des différences sur d’autres variables.", "slides": [4, 5], "terms": ["distance euclidienne", "distance", "similarité", "coordonnée"]}, {"title": "Échelles, unités et catégories", "definition": "La mise à l’échelle modifie la contribution relative des variables dans les méthodes fondées sur des distances.", "paragraphs": ["Un revenu en unités monétaires peut varier de plusieurs milliers, alors qu’une autre variable varie entre 0 et 1. Sans préparation, le revenu peut dominer numériquement une distance même si ce n’est pas le choix analytique voulu.", "La standardisation peut équilibrer les ordres de grandeur, mais elle ne rend pas automatiquement les variables également pertinentes. Les paramètres et l’objectif doivent être justifiés. Une variable constante demande un traitement particulier.", "Les catégories nominales n’ont pas d’ordre naturel. Coder les filières par 1,2,3 impose artificiellement des distances 1 et 2. Selon la tâche, un encodage adapté ou une autre mesure de dissimilarité est nécessaire. Les variables choisies peuvent aussi exposer des informations personnelles."], "example": "Si âge et revenu sont utilisés ensemble, discuter les unités et leur poids avant de calculer des groupes.", "pitfall": "Une standardisation mécanique ne remplace ni le choix des variables ni l’analyse éthique.", "slides": [5, 12, 14], "terms": ["échelle", "unité", "catégorie nominale", "encodage", "standardisation"]}, {"title": "k-means : objectif et déroulement", "definition": "k-means répartit des observations numériques en k groupes en cherchant à réduire la somme des distances euclidiennes au carré à leurs centres.", "paragraphs": ["Choisir k et des centres initiaux. Affecter chaque observation au centre le plus proche. Recalculer chaque centre comme la moyenne des observations de son groupe. Répéter affectation et recalcul jusqu’à un critère d’arrêt.", "Un centre, ou centroïde, n’est pas nécessairement une observation existante. La moyenne peut tomber entre plusieurs points. Une égalité de distance exige une règle de départage. Un groupe vide demande un traitement défini par l’implémentation.", "La procédure converge vers une solution dépendant notamment de l’initialisation, sans garantir en général l’optimum global. Plusieurs initialisations et une analyse de stabilité sont utiles. k-means privilégie une certaine géométrie et peut être peu adapté à des groupes de formes ou densités très différentes."], "example": "Données 1,2,8,9 ; centres initiaux 1 et 9. Affectations : {1,2} et {8,9} ; nouveaux centres : 1,5 et 8,5.", "pitfall": "Ne confondez pas le nombre k de groupes de k-means avec le nombre k de voisins de k-NN.", "slides": [6, 7, 8, 13], "terms": ["k-means", "k moyennes", "centroïde", "centre", "affectation de groupe", "initialisation"], "code": "choisir k et les centres initiaux\nRÉPÉTER\n    affecter chaque observation au centre le plus proche\n    traiter les égalités et groupes vides selon la règle choisie\n    recalculer chaque centre par la moyenne de son groupe\nJUSQU’À stabilisation ou limite d’itérations\nrapporter centres, groupes, inertie et règles de calcul", "table": {"heads": ["Critère", "k-NN", "k-means"], "rows": [["Type de tâche", "Supervisée : classification ou régression", "Non supervisée : regroupement"], ["Sens de k", "Nombre de voisins", "Nombre de groupes"], ["Résultat", "Prédiction à partir des cibles des voisins", "Affectation à des centres de groupes"], ["Précaution commune", "Distance et échelles adaptées", "Distance et échelles adaptées"]]}}, {"title": "Inertie et itération complète", "definition": "L’inertie de k-means est la somme des carrés des distances des observations au centre de leur groupe.", "paragraphs": ["Après une affectation, on calcule les centres avec les moyennes puis on mesure les distances à ces centres. Il faut préciser à quel état de l’itération l’inertie est calculée. Le calcul doit associer chaque point à son groupe.", "Pour les points 1,2,8,9 et les centres 1,5 et 8,5, les quatre distances valent 0,5. Les carrés valent 0,25 et l’inertie vaut 1. Pour 0,2,10,12 et centres 1 et 11, les quatre distances valent 1 et l’inertie vaut 4.", "Une faible inertie décrit une compacité dans l’espace choisi. Elle ne prouve pas une utilité humaine ni une séparation vraie. En général, augmenter k permet de réduire l’objectif d’entraînement optimal, mais ne constitue pas à lui seul un choix pertinent du nombre de groupes."], "example": "{0,2} a pour centre 1 et contribue 1+1=2 ; {10,12} a pour centre 11 et contribue aussi 2 ; total 4.", "pitfall": "Ne calculez pas l’inertie avec les centres initiaux si l’énoncé demande l’état après recalcul.", "slides": [7, 8, 11], "terms": ["inertie", "somme des carrés", "itération k-means"]}, {"title": "Choisir k et analyser la stabilité", "definition": "Le choix du nombre de groupes combine des critères numériques, la stabilité et l’intérêt de l’analyse.", "paragraphs": ["La méthode du coude examine la diminution de l’inertie quand k augmente. Le coude peut être flou ou absent. Le score de silhouette compare, pour chaque point, la cohésion de son groupe et la séparation avec d’autres groupes selon une distance.", "Les valeurs extrêmes peuvent déplacer fortement une moyenne et donc un centre. Les initialisations peuvent conduire à des solutions différentes. Refaire l’analyse avec plusieurs départs ou représentations aide à évaluer la stabilité.", "Il faut vérifier si les groupes restent compréhensibles et utiles pour l’objectif. Des groupes très petits peuvent signaler une anomalie ou un choix inadéquat. Ne choisissez pas k uniquement pour obtenir les catégories que vous espériez retrouver."], "example": "Une légère variation des observations qui renverse entièrement les groupes invite à documenter l’instabilité plutôt qu’à annoncer une segmentation définitive.", "pitfall": "Coude, silhouette et inertie sont des aides, pas des preuves absolues de pertinence.", "slides": [8, 13, 14], "terms": ["nombre de groupes", "méthode du coude", "silhouette", "stabilité", "valeur atypique"]}, {"title": "ACP et réduction de dimension", "definition": "L’ACP, analyse en composantes principales, construit des axes linéaires orthogonaux qui résument progressivement la variance des données centrées.", "paragraphs": ["Quand plusieurs variables sont liées, une partie de leur variation peut se représenter dans moins de dimensions. Les premières composantes conservent le maximum de variance possible sous les contraintes de l’ACP. Les projections permettent notamment une visualisation.", "La variance conservée est une quantité mathématique. Elle ne garantit pas que l’information utile pour prévoir une cible, distinguer une petite population ou prendre une décision soit conservée. Une faible variance peut parfois porter une information importante.", "Le centrage, le choix éventuel de standardiser et l’interprétation des axes doivent être expliqués. L’ACP est une transformation linéaire ; elle ne découvre pas automatiquement les mécanismes causaux des phénomènes. Une représentation à deux composantes perd souvent de l’information."], "example": "Projeter un nuage 3D sur un plan aide à le voir, mais peut superposer des points distincts dans la dimension perdue.", "pitfall": "Plus de variance expliquée ne signifie pas automatiquement meilleure prédiction.", "slides": [9, 13], "terms": ["ACP", "PCA", "réduction de dimension", "variance expliquée", "composante principale"]}, {"title": "Interprétation des groupes et responsabilité", "definition": "Un groupe statistique décrit une construction analytique et ne justifie pas seul un jugement sur des personnes.", "paragraphs": ["Nommer les groupes A, B et C permet d’éviter d’attribuer trop vite des qualités comme « motivés » ou « faibles ». Une moyenne d’activité numérique faible peut refléter l’accès au matériel, le réseau ou les méthodes de travail plutôt qu’un trait individuel.", "Les étiquettes existantes peuvent servir à une comparaison externe, mais forcer leur sens sur des groupes appris change la question. Il faut distinguer description, explication et décision. Une association ne prouve pas une causalité.", "Les analyses concernant des personnes demandent une justification des variables, une protection des données et une évaluation des conséquences. Pour apprendre, utilisez des objets ou documents fictifs plutôt que de classer réellement les étudiants. Les observations de l’exercice ne servent à aucune décision universitaire."], "example": "Un groupe de documents courts n’est pas automatiquement un groupe de documents de mauvaise qualité. Examiner les usages et les variables avant de nommer le groupe.", "pitfall": "Un regroupement techniquement stable peut rester inapproprié pour une décision humaine.", "slides": [10, 12, 14, 15], "terms": ["interprétation", "jugement", "étiquette de groupe", "éthique", "causalité"]}], "exercises": [{"title": "Distance à la main", "statement": "Calculez la distance entre (1,2) et (4,6).", "steps": ["Écarts : 3 et 4", "Carrés : 9 et 16", "Racine de 25"], "result": "5 unités dans la représentation choisie."}, {"title": "Une itération de k-means", "statement": "Données 0,2,10,12 ; centres initiaux 0 et 12. Affectez puis recalculez.", "steps": ["Groupes {0,2} et {10,12}", "Moyennes : 1 et 11", "Distances finales : 1 pour chaque point"], "result": "Centres 1 et 11 ; inertie 4."}, {"title": "Diagnostiquer les échelles", "statement": "Un revenu domine une distance face à une variable entre 0 et 1. Que faire ?", "steps": ["Vérifier les unités", "Justifier la préparation", "Comparer la sensibilité du résultat"], "result": "Envisager une mise à l’échelle adaptée sans supposer qu’elle résout toute question de pertinence."}, {"title": "Éviter un jugement abusif", "statement": "Un groupe a peu d’activité numérique. Est-il peu motivé ?", "steps": ["Identifier les variables réellement observées", "Proposer d’autres explications", "Écarter la conclusion causale"], "result": "Non : accès au réseau, équipement et pratiques peuvent expliquer le résultat."}], "quiz": [{"question": "Qu’est-ce qui manque pour l’ajustement non supervisé ?", "answers": ["La cible fournie pour la tâche", "Toutes les variables"], "correct": 0, "why": "Les caractéristiques sont présentes, la réponse cible ne guide pas l’ajustement."}, {"question": "Un centre k-means est calculé par…", "answers": ["La moyenne du groupe", "Le nom du premier point"], "correct": 0, "why": "Le centre est une moyenne de coordonnées."}, {"question": "Une faible inertie suffit-elle à valider les groupes ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Il faut aussi stabilité, représentation et pertinence."}, {"question": "L’ACP garantit-elle la meilleure prédiction ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Elle optimise une variance conservée, pas directement l’erreur prédictive."}, {"question": "Pourquoi plusieurs initialisations ?", "answers": ["La solution dépend des centres de départ", "Pour garantir une causalité"], "correct": 0, "why": "L’algorithme peut aboutir à des solutions locales différentes."}], "homework": "Proposer six documents fictifs, deux caractéristiques mesurables et une discussion écrite des limites d’un regroupement.", "slides": ["Couverture", "Objectifs et prérequis", "Supervisé et non supervisé", "Géométrie des distances", "Échelles et catégories", "Algorithme k-means", "Itération 1D", "Paramètres et vulnérabilités", "ACP", "Structure et interprétation", "Activité calcul", "Diagnostics", "Autoévaluation", "Synthèse et travail", "Références"]}, {"id": 7, "title": "Réseaux de neurones et apprentissage profond", "intro": "Calculer une unité simple, comprendre les couches et décrire le cycle d’apprentissage sans confondre métaphore biologique et mécanisme mathématique.", "objectives": ["Calculer somme pondérée et activation", "Compter les paramètres d’un réseau dense", "Expliquer perte, gradient et mise à jour", "Distinguer paramètres, hyperparamètres et généralisation"], "prereq": "Cours 4 et 5. Fonction, somme pondérée et notion intuitive de pente.", "chapters": [{"title": "Neurone artificiel, poids et biais", "definition": "Un neurone artificiel est une unité de calcul qui combine des entrées avec des poids, ajoute un biais et applique une fonction d’activation.", "paragraphs": ["Les entrées sont notées x₁,…,xₚ. Les poids w₁,…,wₚ multiplient ces valeurs. Le biais b décale la somme. On calcule z = Σ wᵢxᵢ + b puis a = f(z). Le biais mathématique est un paramètre ; il ne signifie pas ici un biais social ou statistique.", "Les poids déterminent la contribution des entrées dans ce calcul, mais leur valeur ne constitue pas automatiquement une importance causale. Le signe et l’échelle des variables influencent leur interprétation.", "L’inspiration biologique reste une métaphore historique. Une unité mathématique n’est pas une reproduction complète d’un neurone vivant et un réseau ne prouve pas une compréhension humaine. On juge son comportement par les tâches et les évaluations définies."], "example": "Avec x = 3, w = −2 et b = 1 : z = −2×3 + 1 = −5. L’activation détermine ensuite la sortie.", "pitfall": "Ne confondez pas le biais b d’un neurone avec une discrimination dans les résultats.", "slides": [3, 4], "terms": ["neurone artificiel", "poids", "biais du neurone", "somme pondérée", "activation"]}, {"title": "ReLU, sigmoïde et non-linéarité", "definition": "Une fonction d’activation transforme la somme calculée par une unité et peut introduire une non-linéarité.", "paragraphs": ["ReLU signifie Rectified Linear Unit. Sa formule est max(0,z) : elle renvoie zéro pour une valeur négative et la valeur elle-même pour une valeur positive ou nulle. Elle est simple mais ne représente pas à elle seule un mécanisme de décision complet.", "La sigmoïde s’écrit 1/(1+exp(−z)). Pour un z fini, son résultat est strictement entre 0 et 1. Elle peut servir de score, notamment pour une classification binaire dans une configuration adaptée. Ce score ne devient pas automatiquement une probabilité bien calibrée.", "Une composition de transformations affines sans non-linéarité reste affine. Introduire des activations non linéaires permet de représenter des relations plus complexes. Le choix de la sortie dépend de la tâche ; toutes les couches ne doivent pas forcément utiliser la même activation."], "example": "Pour z = −5 : ReLU(z)=0 et sigmoïde(z)≈0,0067. Pour z=0 : ReLU=0 et sigmoïde=0,5.", "pitfall": "Une valeur entre 0 et 1 ne garantit pas à elle seule une probabilité correcte.", "slides": [4, 5, 15], "terms": ["ReLU", "Rectified Linear Unit", "sigmoïde", "non-linéarité", "fonction d’activation"]}, {"title": "Couches et propagation avant", "definition": "Un réseau dense connecte chaque unité d’une couche à toutes les unités de la couche suivante.", "paragraphs": ["La couche d’entrée reçoit les caractéristiques. Les couches cachées construisent des représentations intermédiaires. La couche de sortie produit le résultat adapté au problème : valeur, scores de classes ou autre représentation.", "La propagation avant applique successivement les transformations des couches, de l’entrée vers la sortie. Dans un réseau dense simple, chaque unité hors entrée possède ses propres poids et un biais. Les unités d’entrée ne rajoutent pas de paramètres dans ce modèle précis.", "Le mot « cachée » signifie que la couche est intermédiaire dans l’architecture. Il ne signifie pas qu’elle contient une connaissance secrète. L’architecture décrit l’organisation des calculs. La taille et la profondeur doivent être adaptées aux données et évaluées."], "example": "Un réseau 2–2–1 reçoit deux valeurs, calcule deux unités intermédiaires puis une unité de sortie.", "pitfall": "Empiler des couches ne garantit pas une meilleure généralisation ni une explication causale.", "slides": [6, 7, 15], "terms": ["réseau dense", "couche d’entrée", "couche cachée", "couche de sortie", "propagation avant", "architecture"]}, {"title": "Compter les paramètres", "definition": "Dans une couche dense avec p entrées et m unités, le nombre de paramètres avec un biais par unité vaut p×m + m.", "paragraphs": ["Chaque unité possède un poids par entrée, soit p poids, et un biais. Pour m unités, on obtient m(p+1). On additionne les paramètres de toutes les couches entraînables. Cette règle suppose ici un réseau dense simple avec biais.", "Les entrées elles-mêmes ne sont pas des paramètres ajustés. Les activations ReLU et sigmoïde de l’exercice n’ajoutent pas de paramètres. D’autres architectures peuvent en posséder de nature différente ; il faut lire leur définition.", "Compter aide à comprendre la taille du modèle, mais ne mesure pas à lui seul sa qualité, son temps réel ou son énergie. Deux architectures ayant le même nombre de paramètres peuvent se comporter différemment. La généralisation exige une évaluation sur de nouvelles données adaptées."], "example": "Réseau 4–3–1 : couche cachée 4×3+3=15 ; sortie 3×1+1=4 ; total 19. Pour 2–2–1 : 6+3=9.", "pitfall": "Ne comptez pas seulement les connexions : les biais font partie des paramètres dans cet exemple.", "slides": [7, 14], "terms": ["paramètre", "comptage des paramètres", "connexion", "biais"]}, {"title": "Prédiction, cible et fonction de perte", "definition": "Une fonction de perte quantifie l’écart à l’objectif d’apprentissage et fournit un signal pour ajuster les paramètres.", "paragraphs": ["La propagation avant produit une prédiction. Dans un problème supervisé, la perte la compare à la cible observée selon une formule choisie. Une perte quadratique pénalise le carré d’un écart numérique ; une autre tâche peut demander une autre formule.", "Une perte calculée sur un lot représente l’objectif de l’étape d’apprentissage. Il faut distinguer la fonction optimisée de la métrique finale utilisée pour évaluer l’usage. Elles peuvent être différentes pour des raisons de calcul et d’interprétation.", "Diminuer la perte d’entraînement montre un meilleur ajustement à ces exemples selon cet objectif. Cela ne suffit pas à établir une amélioration sur les nouvelles observations. On doit suivre la validation et garder le test final réservé."], "example": "Pour cible 4 et prédiction 3, la perte quadratique élémentaire (4−3)² vaut 1. Si l’on utilise un facteur 1/2, il faut le préciser.", "pitfall": "Une perte faible sur l’entraînement ne prouve ni absence de biais ni qualité de généralisation.", "slides": [8, 11], "terms": ["fonction de perte", "loss", "erreur quadratique", "cible", "prédiction"]}, {"title": "Rétropropagation et descente de gradient", "definition": "La rétropropagation calcule des gradients de la perte par rapport aux paramètres ; l’optimisation utilise ces gradients pour les mettre à jour.", "paragraphs": ["Un gradient regroupe les dérivées qui indiquent comment la perte varie localement avec les paramètres. La rétropropagation applique la règle de dérivation en chaîne à travers le réseau. Elle calcule ce signal ; elle ne décide pas seule du protocole complet d’apprentissage.", "Une mise à jour simple de descente de gradient s’écrit w nouveau = w ancien − η×gradient. η, noté eta, est le taux d’apprentissage. Un pas trop grand peut faire osciller ou diverger l’apprentissage. Un pas très petit peut ralentir les progrès.", "Les gradients sont locaux. Le paysage de perte peut être complexe et la méthode ne garantit pas en général de trouver un optimum global. L’entraînement répète prédiction, perte, gradients et mise à jour, avec des contrôles numériques et de validation."], "example": "w=1, η=0,1, gradient=0,4 : nouveau w = 1−0,04 = 0,96.", "pitfall": "La rétropropagation calcule des gradients ; la mise à jour appartient à l’algorithme d’optimisation.", "slides": [9, 13, 14], "terms": ["rétropropagation", "backpropagation", "gradient", "descente de gradient", "taux d’apprentissage", "eta"], "code": "pour chaque lot d’entraînement :\n    calculer les prédictions par propagation avant\n    calculer la perte selon la cible et la fonction choisies\n    calculer les gradients par rétropropagation\n    mettre à jour les paramètres avec l’optimiseur\nà chaque étape de suivi :\n    mesurer la performance de validation sans ajuster sur ces exemples\nréserver le test final à la procédure retenue"}, {"title": "Paramètres, hyperparamètres, époque et lot", "definition": "Les paramètres sont ajustés par l’apprentissage ; les hyperparamètres configurent la procédure ou l’architecture.", "paragraphs": ["Les poids et biais du réseau sont des paramètres. Le taux d’apprentissage, le nombre de couches et la taille de lot sont des hyperparamètres. Ils peuvent être choisis par une personne ou une procédure de recherche, avec une évaluation sur validation.", "Une époque est un passage complet sur l’ensemble d’entraînement selon l’organisation prévue. Un lot, ou batch, est un sous-ensemble traité dans une étape. Avec 100 observations et des lots de 20, une époque comporte 5 lots si chaque observation est utilisée une fois.", "Le nombre d’époques est aussi un choix de développement. Il faut documenter la façon dont les données sont mélangées, la gestion d’un dernier lot incomplet et les graines aléatoires. Ces détails changent parfois le déroulement de l’entraînement."], "example": "100 observations, lot 32 : 4 lots si le dernier contient les 4 observations restantes. La convention doit être annoncée.", "pitfall": "Une époque n’est pas un lot, et un hyperparamètre n’est pas nécessairement réglé uniquement à la main.", "slides": [10, 13, 14], "terms": ["hyperparamètre", "époque", "epoch", "lot", "batch", "taille de lot"], "table": {"heads": ["Objet", "Nature dans le réseau du cours", "Comment déterminé"], "rows": [["Poids et biais", "Paramètres", "Ajustés pendant l’apprentissage"], ["Taux d’apprentissage", "Hyperparamètre", "Choisi selon procédure de validation"], ["Taille de lot", "Hyperparamètre", "Choisie pour l’entraînement"], ["Nombre de couches", "Hyperparamètre d’architecture", "Choisi et évalué"]]}}, {"title": "Surapprentissage, transfert et limites", "definition": "L’apprentissage profond utilise plusieurs niveaux de transformations ; son intérêt dépend des données, de la tâche et des contrôles de généralisation.", "paragraphs": ["Une perte d’entraînement qui diminue tandis que la validation se dégrade est un signal compatible avec du surapprentissage. Vérifiez aussi la représentativité et la préparation. L’arrêt anticipé choisit une étape selon la validation. La régularisation ou une meilleure collecte peuvent aider selon le diagnostic.", "L’apprentissage par transfert réutilise un modèle préentraîné pour une autre tâche, avec ou sans ajustement de certains paramètres. Il peut économiser des ressources, mais le transfert peut aussi échouer si les représentations ne conviennent pas au nouveau contexte.", "Les réseaux convolutifs sont notamment utilisés pour certaines tâches d’image et les transformeurs pour des tâches de séquences et d’autres domaines. Les coûts de calcul, mémoire et énergie varient selon l’architecture et l’usage. Une explication de modèle ne démontre pas automatiquement une causalité."], "example": "Adapter un modèle de texte à des messages universitaires nécessite une évaluation des langues, catégories et erreurs locales.", "pitfall": "Un réseau plus profond n’est pas toujours meilleur. Le test final ne doit pas servir à choisir le nombre d’époques.", "slides": [11, 12, 14, 15], "terms": ["apprentissage profond", "arrêt anticipé", "régularisation", "apprentissage par transfert", "préentraînement", "transformeur", "réseau convolutif"]}], "exercises": [{"title": "Calculer un neurone", "statement": "x=3, w=−2, b=1. Calculez z puis ReLU(z).", "steps": ["Produit −6", "Ajout du biais : −5", "Maximum avec 0"], "result": "z=−5 ; activation 0."}, {"title": "Compter les paramètres", "statement": "Comptez les paramètres d’un réseau dense 4–3–1 avec biais.", "steps": ["4×3+3=15", "3×1+1=4"], "result": "19 paramètres. Réseau 2–2–1 : 9."}, {"title": "Mettre à jour un poids", "statement": "w=1, taux 0,1, gradient 0,4.", "steps": ["Multiplier taux et gradient : 0,04", "Soustraire de l’ancien poids"], "result": "Nouveau poids 0,96."}, {"title": "Surveiller la validation", "statement": "Perte entraînement baisse ; validation augmente durablement. Que faire ?", "steps": ["Vérifier le protocole", "Examiner surapprentissage et distribution", "Envisager arrêt anticipé ou régularisation sur validation"], "result": "Choisir les interventions sans réutiliser le test final pour les réglages."}], "quiz": [{"question": "ReLU(−5) vaut…", "answers": ["−5", "0", "5"], "correct": 1, "why": "ReLU(z)=max(0,z)."}, {"question": "La rétropropagation calcule…", "answers": ["Les gradients de la perte", "Une preuve de causalité"], "correct": 0, "why": "Les gradients sont ensuite utilisés par l’optimiseur."}, {"question": "Un lot équivaut-il à une époque ?", "answers": ["Toujours", "Non"], "correct": 1, "why": "Une époque passe sur l’ensemble d’entraînement, généralement en plusieurs lots."}, {"question": "Dans le réseau dense simple, les entrées ajoutent-elles des paramètres ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Les poids et biais se trouvent dans les transformations suivantes."}, {"question": "Une sigmoïde garantit-elle une probabilité calibrée ?", "answers": ["Oui", "Non"], "correct": 1, "why": "L’intervalle de sortie ne suffit pas à établir la calibration."}], "homework": "Dessiner un réseau 2–2–1, compter ses neuf paramètres et expliquer le cycle d’apprentissage avec un exemple chiffré.", "slides": ["Couverture", "Objectifs et prérequis", "Neurone artificiel", "Somme et activation", "ReLU et sigmoïde", "Architecture dense", "Comptage des paramètres", "Prédiction et perte", "Gradients et mise à jour", "Lexique d’entraînement", "Surveillance et surapprentissage", "Profond et transfert", "Évaluation", "Corrigé et devoir", "Synthèse et références"]}, {"id": 8, "title": "IA générative, usages universitaires et responsabilité", "intro": "Formuler une demande précise, distinguer génération et recherche, vérifier les résultats et documenter un usage universitaire responsable.", "objectives": ["Expliquer jetons, génération et contexte", "Rédiger puis améliorer une consigne", "Vérifier faits, calculs et références", "Protéger les données et rendre l’usage traçable"], "prereq": "Cours 1, 2 et 4. Comprendre donnée, modèle et vérification.", "chapters": [{"title": "Modèle de langage et jetons", "definition": "Un modèle de langage produit des séquences en s’appuyant sur des régularités apprises et sur le contexte fourni. Un jeton est une unité de traitement du texte.", "paragraphs": ["Un jeton peut correspondre à un mot, une partie de mot, un signe ou un fragment selon le système. La tokenisation découpe le texte en unités. Le modèle utilise ces unités pour calculer une distribution de suites possibles, puis une procédure de décodage sélectionne la continuation.", "Le système ne choisit pas nécessairement à chaque étape le jeton de probabilité maximale : le décodage peut comporter un échantillonnage et d’autres réglages. Générer une phrase probable ou cohérente n’établit pas que ses affirmations sont vraies.", "L’IA générative comprend aussi des systèmes d’images, de sons ou de code, avec des mécanismes adaptés. Les explications de jetons concernent ici principalement les modèles de langage. On doit évaluer la production selon la tâche, la fidélité et les preuves disponibles."], "example": "Un terme comme « informatique » peut être un ou plusieurs jetons selon le vocabulaire du modèle. Le nombre de mots n’est pas le nombre de jetons.", "pitfall": "La fluidité n’est pas une preuve. Le mécanisme de génération ne remplace pas une consultation de sources.", "slides": [2, 3, 8], "terms": ["modèle de langage", "LLM", "jeton", "token", "tokenisation", "décodage", "génération"]}, {"title": "Préentraînement, contexte et mémoire de conversation", "definition": "Le préentraînement ajuste les paramètres d’un modèle ; le contexte rassemble les informations accessibles pour produire la réponse courante.", "paragraphs": ["Les régularités apprises influencent les réponses du modèle. Elles ne constituent pas une base de références vérifiées que l’utilisateur peut automatiquement consulter. Les paramètres peuvent ensuite être adaptés par d’autres étapes d’entraînement.", "Les messages, instructions et documents fournis dans une conversation peuvent orienter la réponse sans modifier les paramètres. Le contexte disponible peut être limité, résumé ou tronqué. Un document joint n’est donc pas une garantie que chaque passage a été correctement utilisé.", "Le stockage des conversations, la mémoire d’un service et l’utilisation éventuelle des échanges pour un entraînement futur dépendent du produit et de ses réglages. Il faut consulter les conditions et contrôles de l’outil utilisé. Ce dashboard local ne modifie aucun modèle et n’envoie pas les questions à une API."], "example": "Joindre un extrait sur la RAM aide à cadrer une explication. Cela ne signifie pas que le modèle a été réentraîné sur votre cours à chaque question.", "pitfall": "Contexte d’une réponse, conservation des échanges et entraînement sont trois mécanismes à distinguer.", "slides": [4], "terms": ["préentraînement", "contexte", "fenêtre de contexte", "conversation", "mémoire"]}, {"title": "Générer, rechercher et citer", "definition": "La recherche documentaire vise à retrouver des documents existants ; la génération produit une réponse. Un outil peut combiner les deux, mais il faut vérifier ses fonctions réelles.", "paragraphs": ["Un moteur de recherche retrouve des ressources selon une requête et un index. Un système génératif peut produire une formulation même sans avoir consulté la source correspondante. Certains outils relient une recherche ou un corpus à une génération : cela peut améliorer l’appui documentaire sans garantir l’exactitude.", "Une référence doit exister et soutenir précisément l’affirmation. Vérifiez titre, auteurs, date, document et passage concerné. Un lien réel vers un article ne garantit pas que cet article dit ce que la réponse lui attribue.", "Pour une synthèse universitaire, conservez les documents réellement lus et distinguez ce qu’ils établissent de vos interprétations. Lorsque l’information manque, signalez la limite. Une absence dans vos sources ne démontre pas nécessairement que le fait est faux : il peut être non établi dans le corpus disponible."], "example": "Avant de reprendre une statistique, ouvrir le document original et trouver le tableau ou le passage qui la justifie.", "pitfall": "Une citation bien présentée peut être inventée ou mal attribuée. Le contrôle doit porter sur le contenu.", "slides": [5, 8, 9, 15], "terms": ["recherche documentaire", "source", "référence", "citation", "RAG", "corpus"], "table": {"heads": ["Démarche", "Objectif", "Contrôle nécessaire"], "rows": [["Rechercher", "Retrouver des documents existants", "Pertinence et fiabilité des sources"], ["Générer", "Produire un contenu", "Vérité et fidélité du contenu"], ["Combiner recherche et génération", "Produire à partir de documents récupérés", "Existence des sources et soutien réel de chaque affirmation"]]}}, {"title": "Consigne : tâche, contexte, public et format", "definition": "Une consigne, ou prompt, décrit la tâche attendue et les informations qui doivent guider la réponse.", "paragraphs": ["Précisez le sujet, le public et l’objectif. Indiquez les documents utilisables, les limites du périmètre et le format souhaité. Demandez de distinguer faits du document, exemples ajoutés et informations manquantes. Les contraintes doivent être compatibles.", "Pour une explication à des débutants, demandez une définition, le développement d’un sigle, un exemple et une vérification de compréhension. Une limite de longueur peut aider à cadrer, mais l’outil peut ne pas la respecter précisément. Il faut relire le résultat.", "La clarté de la demande réduit les ambiguïtés mais ne transforme pas le système en autorité. Vous devez contrôler les erreurs et l’adéquation au cours. Une demande de citer des sources ne garantit ni leur existence ni leur consultation réelle."], "example": "« À partir du texte joint, explique RAM à des L1 : développe le sigle, décris sa fonction, compare au stockage et propose deux questions corrigées. Signale les points absents du texte. »", "pitfall": "Une consigne complexe peut contenir des contraintes contradictoires. Relire aussi la demande avant d’évaluer la réponse.", "slides": [6, 10, 11], "terms": ["consigne", "prompt", "contexte de demande", "contrainte de format", "public"]}, {"title": "Amélioration progressive et contrôle du support", "definition": "L’amélioration progressive consiste à demander une production par étapes, examiner chaque résultat puis corriger les écarts avant de poursuivre.", "paragraphs": ["Commencez par un plan fondé sur les objectifs. Vérifiez les notions et l’ordre. Développez une section, puis testez les exemples et les définitions. Révisez la formulation en fonction des erreurs observées plutôt que d’accumuler des demandes générales.", "Pour passer d’un cours à des diapositives, fournissez le cours de référence, contrôlez les objectifs, bornez le contenu puis vérifiez chaque diapositive. Une diapositive lisible peut contenir un exemple faux. Une bonne mise en page ne remplace pas le contrôle pédagogique.", "Conservez la version source et les modifications. Vérifiez que les schémas, formules et corrigés restent cohérents après transformation. L’enseignant ou l’auteur valide le support final et reste responsable de ce qu’il transmet aux étudiants."], "example": "Préparer un plan sur fichiers et dossiers, vérifier les définitions, produire une activité, refaire le corrigé puis seulement préparer les diapositives.", "pitfall": "Demander directement un cours complet sans source ni étapes de contrôle augmente le risque d’omissions difficiles à repérer.", "slides": [7, 12], "terms": ["amélioration progressive", "révision", "diaporama", "traçabilité", "validation pédagogique"]}, {"title": "Hallucinations, faits et calculs", "definition": "Une hallucination est un contenu généré plausible mais inexact, inventé ou insuffisamment appuyé par les éléments disponibles.", "paragraphs": ["Le contrôle d’un fait demande une preuve appropriée : source primaire, donnée documentée ou raisonnement vérifiable. Pour un calcul, refaites les opérations indépendamment. Pour du code, examinez le comportement et les cas limites dans un environnement adapté.", "Une référence doit être vérifiée dans le document réel. Si un outil n’a pas accès au document, ne supposez pas qu’il l’a consulté. Distinguez une contradiction, une absence d’information et une incertitude : ces situations ne permettent pas la même conclusion.", "La vérification est plus efficace quand on sépare les affirmations. Notez ce qui est confirmé, corrigé ou non établi. Une réponse révisée peut introduire d’autres erreurs ; il faut vérifier les changements importants, pas seulement la première version."], "example": "Une réponse prétend que la moyenne de 10,12,14 vaut 15. Vérification : 36/3 = 12. Le corrigé doit montrer l’opération.", "pitfall": "Le ton assuré et les noms d’auteurs plausibles ne constituent pas une preuve.", "slides": [8, 9, 10, 11], "terms": ["hallucination", "vérification", "fait", "incertitude", "contradiction", "preuve"]}, {"title": "Usages universitaires et responsabilité", "definition": "L’utilisation d’une aide numérique dans un travail universitaire doit respecter les règles de l’établissement et les consignes de l’enseignant.", "paragraphs": ["Une aide peut reformuler une définition, suggérer des questions d’entraînement, commenter un brouillon ou aider à préparer un plan. L’étudiant doit comprendre le résultat, vérifier son exactitude et pouvoir expliquer la démarche. Les aides autorisées varient selon l’évaluation.", "Conservez des traces utiles : sources réellement consultées, consignes importantes et étapes de révision. Déclarez l’usage de l’IA lorsque les règles le demandent. Ne présentez pas une référence inventée comme un document lu, et ne déléguez pas une compétence que l’exercice cherche précisément à évaluer.", "Pour choisir un outil, partez de la tâche, des données, des fonctionnalités documentées, du coût et des contraintes d’accès. Il n’existe pas un meilleur outil universel. Comparez des résultats sur un petit jeu de tâches représentatif au lieu de vous fier uniquement à une marque ou à une démonstration."], "example": "Pour comprendre un sigle, une explication avec questions peut être utile. Pour une revue documentaire, il faut aussi retrouver et lire les publications réelles.", "pitfall": "Le fait qu’un outil soit disponible ne signifie pas que son usage est autorisé dans tout devoir.", "slides": [13, 15], "terms": ["responsabilité universitaire", "intégrité académique", "déclaration d’usage", "outil", "plagiat"]}, {"title": "Confidentialité, biais et fiche de vérification", "definition": "Un usage prudent limite les données transmises, examine les biais et documente les vérifications effectuées.", "paragraphs": ["Ne transmettez pas de mots de passe, de notes nominatives, de données de santé ou de documents confidentiels sans autorisation appropriée. Retirer simplement les noms peut laisser des possibilités de réidentification par croisement des autres informations.", "Un biais peut provenir des données, de la conception ou du contexte d’usage. Certaines langues, situations ou populations peuvent être moins bien représentées. Comparez les formulations et les résultats, et évitez de transformer une réponse d’outil en décision importante concernant une personne sans cadre et contrôle adaptés.", "Une fiche de vérification note la demande, les sources, les affirmations contrôlées, les calculs refaits, les corrections et les limites restantes. Pour l’entraînement, utilisez des documents et personnes fictifs. Le contrôle humain doit porter sur le fond, pas uniquement sur la présentation."], "example": "Fiche : affirmation « RAM conserve après extinction » ; source cours 1 ; contrôle : mémoire généralement volatile ; correction : stockage ; limite : récupération automatique éventuelle du logiciel.", "pitfall": "« Sans nom » ne signifie pas forcément anonyme. Une réponse neutre en apparence peut aussi refléter des biais.", "slides": [14, 15], "terms": ["confidentialité", "donnée personnelle", "biais", "réidentification", "fiche de vérification", "minimisation"]}], "exercises": [{"title": "Améliorer une consigne", "statement": "Transformez « Fais mon cours » en demande sur les fichiers pour L1.", "steps": ["Définir niveau et objectif", "Préciser la source", "Demander activité et corrigé", "Exiger le signalement des manques"], "result": "Demande possible : « À partir du texte joint, prépare une séance de 45 min pour L1 sur fichiers, dossiers et extensions, avec deux activités papier corrigées et les limites du corpus. »"}, {"title": "Contrôler deux erreurs", "statement": "« Renommer JPG en PDF convertit ; la RAM conserve après extinction. »", "steps": ["Vérifier format et nom", "Vérifier mémoire et stockage"], "result": "Renommer ne convertit pas. La RAM de travail est généralement volatile."}, {"title": "Vérifier une référence", "statement": "Une réponse cite un article au titre plausible sans lien. Quelle démarche ?", "steps": ["Chercher le document réel", "Vérifier auteurs et date", "Lire le passage pertinent", "Signaler si non retrouvé"], "result": "Ne pas citer comme consultée une référence non retrouvée ou non lue."}, {"title": "Construire une fiche d’audit", "statement": "Utilisez une définition du module, rédigez une consigne et contrôlez une réponse.", "steps": ["Lister faits et sources", "Refaire les calculs", "Corriger les erreurs", "Noter les limites et l’aide utilisée"], "result": "Livrable : une fiche distinguant confirmé, corrigé et non établi."}], "quiz": [{"question": "Un jeton est-il toujours un mot complet ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Il peut être un fragment ou un signe selon la tokenisation."}, {"question": "Une source citée prouve-t-elle sa consultation ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Il faut vérifier le document et le passage réel."}, {"question": "Joindre un texte réentraîne-t-il nécessairement le modèle ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Le contexte peut guider sans modifier les paramètres."}, {"question": "Des notes sans noms sont-elles forcément anonymes ?", "answers": ["Oui", "Non"], "correct": 1, "why": "Le croisement d’autres informations peut réidentifier."}, {"question": "Qui doit pouvoir expliquer le travail remis ?", "answers": ["L’étudiant", "Uniquement l’outil"], "correct": 0, "why": "La responsabilité du travail et les consignes restent applicables."}], "homework": "À partir d’une définition du cours, rédiger une consigne, analyser une réponse fictive et joindre une fiche des vérifications et limites.", "slides": ["Couverture", "Objectifs", "Modèle de langage et jetons", "Préentraînement et contexte", "Génération et recherche", "Consigne précise", "Amélioration progressive", "Hallucinations", "Protocole de vérification", "Cas d’étude", "Corrigés", "Du cours au diaporama", "Usages universitaires", "Confidentialité et biais", "Évaluation et devoir"]}]</script><script id="term-data" type="application/json">[{"term": "ordinateur", "aliases": [], "definition": "Machine électronique programmable qui reçoit et traite des données selon des instructions, produit des résultats et peut les conserver.", "refs": [[1, 0]]}, {"term": "informatique", "aliases": [], "definition": "Domaine qui étudie et met en œuvre le traitement automatique de l’information par des machines et des programmes.", "refs": [[1, 0]]}, {"term": "donnée", "aliases": [], "definition": "Valeur ou représentation pouvant être enregistrée et traitée : nombre, texte, image ou son, par exemple.", "refs": [[1, 0]]}, {"term": "information", "aliases": [], "definition": "Donnée interprétée dans un contexte qui lui donne un sens.", "refs": [[1, 0]]}, {"term": "smartphone", "aliases": [], "definition": "Téléphone doté d’un système informatique programmable, avec processeur, mémoire, stockage et applications.", "refs": [[1, 0]]}, {"term": "entrée", "aliases": [], "definition": "Donnée reçue par un système pour un traitement.", "refs": [[1, 1], [2, 0]]}, {"term": "sortie", "aliases": [], "definition": "Résultat produit par un système après ou pendant un traitement.", "refs": [[1, 1], [2, 0]]}, {"term": "traitement", "aliases": [], "definition": "Opération ou suite d’opérations qui transforme, organise ou analyse des données.", "refs": [[1, 1]]}, {"term": "moyenne", "aliases": [], "definition": "Somme des valeurs divisée par leur nombre, pour une moyenne arithmétique simple et une liste non vide.", "refs": [[1, 1], [4, 3]]}, {"term": "moyenne pondérée", "aliases": [], "definition": "Somme des produits valeur × coefficient divisée par la somme des coefficients, avec une somme strictement positive dans les exercices.", "refs": [[1, 1], [3, 5]]}, {"term": "coefficient", "aliases": [], "definition": "Poids attribué à une valeur dans un calcul. Il détermine sa contribution relative à une moyenne pondérée.", "refs": [[1, 1]]}, {"term": "matériel", "aliases": [], "definition": "Ensemble des composants physiques d’un système informatique. Terme anglais : hardware.", "refs": [[1, 2]]}, {"term": "CPU", "aliases": ["processeur"], "definition": "Central Processing Unit, unité centrale de traitement : composant qui exécute les instructions des programmes.", "refs": [[1, 2]]}, {"term": "périphérique", "aliases": [], "definition": "Équipement qui participe aux fonctions ou aux échanges du système, par exemple clavier, écran ou imprimante.", "refs": [[1, 2]]}, {"term": "bit", "aliases": [], "definition": "Unité binaire qui prend la valeur 0 ou 1.", "refs": [[1, 2]]}, {"term": "octet", "aliases": [], "definition": "Groupe de 8 bits. En anglais, byte correspond ici à l’octet.", "refs": [[1, 2]]}, {"term": "entrée-sortie", "aliases": [], "definition": "Fonctions de réception des données et de restitution des résultats. Un écran tactile assure les deux.", "refs": [[1, 2]]}, {"term": "RAM", "aliases": ["mémoire vive"], "definition": "Random Access Memory, mémoire à accès aléatoire : mémoire de travail généralement volatile contenant les instructions et données utiles aux programmes en cours.", "refs": [[1, 3]]}, {"term": "volatile", "aliases": [], "definition": "Qualifie une mémoire dont le contenu dépend de l’alimentation et disparaît généralement à la coupure.", "refs": [[1, 3]]}, {"term": "stockage", "aliases": [], "definition": "Moyens de conserver des données, notamment des fichiers après extinction, sans garantie contre panne ou suppression.", "refs": [[1, 3]]}, {"term": "SSD", "aliases": [], "definition": "Solid-State Drive : support de stockage utilisant de la mémoire électronique non volatile.", "refs": [[1, 3]]}, {"term": "disque dur", "aliases": [], "definition": "Support de stockage qui enregistre les données sur des plateaux magnétiques.", "refs": [[1, 3]]}, {"term": "USB", "aliases": [], "definition": "Universal Serial Bus : norme de connexion. Une clé USB est un support de stockage utilisant cette connexion ; USB seul ne désigne pas une mémoire.", "refs": [[1, 3]]}, {"term": "logiciel", "aliases": [], "definition": "Ensemble de programmes et de ressources permettant d’effectuer des tâches sur un système informatique. Terme anglais : software.", "refs": [[1, 4]]}, {"term": "système d’exploitation", "aliases": ["OS"], "definition": "Operating System : logiciel qui gère les ressources et fournit des services aux applications, notamment mémoire, fichiers et accès aux périphériques.", "refs": [[1, 4]]}, {"term": "application", "aliases": [], "definition": "Logiciel destiné à réaliser une tâche ou un ensemble de tâches pour l’utilisateur.", "refs": [[1, 4]]}, {"term": "pilote", "aliases": [], "definition": "Logiciel permettant au système d’exploitation de communiquer avec un matériel particulier. En anglais : driver.", "refs": [[1, 4]]}, {"term": "navigateur", "aliases": [], "definition": "Application qui permet notamment de consulter et d’utiliser les ressources du Web.", "refs": [[1, 4]]}, {"term": "Internet", "aliases": [], "definition": "Infrastructure de réseaux interconnectés permettant divers services, dont le Web et le courriel.", "refs": [[1, 4]]}, {"term": "Web", "aliases": [], "definition": "Ensemble de ressources et de services accessibles avec les technologies du Web sur Internet. Aussi appelé World Wide Web.", "refs": [[1, 4]]}, {"term": "moteur de recherche", "aliases": [], "definition": "Service qui permet de rechercher des ressources dans un ensemble indexé, notamment sur le Web.", "refs": [[1, 4]]}, {"term": "fichier", "aliases": [], "definition": "Ensemble de données enregistré et identifié notamment par un nom.", "refs": [[1, 5]]}, {"term": "dossier", "aliases": [], "definition": "Élément d’organisation contenant des fichiers et éventuellement des sous-dossiers.", "refs": [[1, 5]]}, {"term": "arborescence", "aliases": [], "definition": "Organisation hiérarchique de dossiers et de fichiers.", "refs": [[1, 5]]}, {"term": "chemin", "aliases": [], "definition": "Indication de l’emplacement d’un fichier ou dossier dans une organisation donnée.", "refs": [[1, 5]]}, {"term": "extension", "aliases": [], "definition": "Suffixe du nom d’un fichier qui indique habituellement son format, comme .pdf ou .csv.", "refs": [[1, 5]]}, {"term": "format", "aliases": [], "definition": "Organisation ou encodage des données d’un fichier. Le format ne change pas par simple renommage.", "refs": [[1, 5]]}, {"term": "CSV", "aliases": [], "definition": "Comma-Separated Values : format de données tabulaires en texte utilisant un séparateur, qui peut être une virgule, un point-virgule ou un autre caractère selon la convention.", "refs": [[1, 5]]}, {"term": "conversion", "aliases": [], "definition": "Transformation d’un contenu vers un autre format avec un outil adapté.", "refs": [[1, 5]]}, {"term": "enregistrement", "aliases": [], "definition": "Écriture des données ou des modifications dans un fichier.", "refs": [[1, 6]]}, {"term": "sauvegarde", "aliases": [], "definition": "Copie conservée pour permettre la récupération de données après un incident.", "refs": [[1, 6]]}, {"term": "synchronisation", "aliases": [], "definition": "Mise en cohérence de contenus entre plusieurs emplacements, pouvant aussi répercuter une suppression.", "refs": [[1, 6]]}, {"term": "restauration", "aliases": [], "definition": "Opération de récupération de données à partir d’une copie, d’une version ou d’un mécanisme de récupération.", "refs": [[1, 6]]}, {"term": "version", "aliases": [], "definition": "État identifiable d’un document ou d’un logiciel à un moment donné.", "refs": [[1, 6]]}, {"term": "IA", "aliases": [], "definition": "Intelligence artificielle : ensemble de méthodes pour des tâches de perception, de langage, de raisonnement, de recommandation ou de prédiction.", "refs": [[1, 7]]}, {"term": "automatisation", "aliases": [], "definition": "Exécution d’opérations sans intervention humaine à chaque étape, selon un mécanisme prévu. Elle ne nécessite pas forcément de l’IA.", "refs": [[1, 7], [2, 1]]}, {"term": "apprentissage automatique", "aliases": ["machine learning"], "definition": "Famille de méthodes qui ajustent des modèles à partir de données pour réaliser une tâche.", "refs": [[1, 7], [2, 2]]}, {"term": "confidentialité", "aliases": [], "definition": "Protection des informations contre des accès ou transmissions non autorisés, selon le contexte et les règles applicables.", "refs": [[1, 7], [8, 7]]}, {"term": "prompt", "aliases": ["consigne"], "definition": "Demande et éléments de contexte fournis à un outil pour orienter sa réponse.", "refs": [[1, 7], [8, 3]]}, {"term": "système d’IA", "aliases": [], "definition": "Ensemble opérationnel réalisant une tâche d’IA, avec entrées, traitements, sorties et conditions d’utilisation définies.", "refs": [[2, 0]]}, {"term": "tâche", "aliases": [], "definition": "Problème précis confié à un système, par exemple classer un document ou prévoir une quantité.", "refs": [[2, 0]]}, {"term": "supervision humaine", "aliases": ["contrôle humain"], "definition": "Intervention d’une personne pour vérifier, corriger ou encadrer le fonctionnement et l’usage d’un système.", "refs": [[2, 0], [2, 7]]}, {"term": "IA symbolique", "aliases": [], "definition": "Approche qui représente des connaissances et applique des règles de raisonnement explicites.", "refs": [[2, 1]]}, {"term": "système expert", "aliases": [], "definition": "Système utilisant une base de connaissances et un mécanisme d’inférence pour traiter des problèmes d’un domaine défini.", "refs": [[2, 1]]}, {"term": "règle", "aliases": [], "definition": "Instruction conditionnelle ou relation explicitement formulée, comme « si une pièce manque, demander une vérification ».", "refs": [[2, 1]]}, {"term": "Turing", "aliases": [], "definition": "Alan Turing : auteur en 1950 d’un article proposant le jeu d’imitation pour discuter l’intelligence des machines.", "refs": [[2, 1]]}, {"term": "Dartmouth", "aliases": [], "definition": "Projet de recherche de 1955 et atelier de 1956 associés à l’établissement du domaine nommé intelligence artificielle.", "refs": [[2, 1]]}, {"term": "apprentissage profond", "aliases": ["deep learning"], "definition": "Famille d’apprentissage utilisant des réseaux de neurones avec plusieurs niveaux de transformations.", "refs": [[2, 2], [7, 7]]}, {"term": "IA générative", "aliases": [], "definition": "Ensemble de systèmes capables de produire du contenu, comme texte, image, son ou code, à partir d’entrées et de régularités apprises.", "refs": [[2, 2]]}, {"term": "modèle", "aliases": [], "definition": "Représentation calculable utilisée pour produire un résultat à partir d’entrées, souvent ajustée sur des données.", "refs": [[2, 2]]}, {"term": "classification", "aliases": [], "definition": "Tâche qui prédit une catégorie définie pour une observation.", "refs": [[2, 3]]}, {"term": "régression", "aliases": [], "definition": "Tâche qui prédit une quantité numérique.", "refs": [[2, 3]]}, {"term": "catégorie", "aliases": [], "definition": "Modalité ou classe attribuée à une observation selon une définition.", "refs": [[2, 3]]}, {"term": "cible", "aliases": [], "definition": "Réponse que le modèle doit prédire, notée souvent y et connue dans les exemples supervisés.", "refs": [[2, 3], [4, 1], [5, 0], [7, 4]]}, {"term": "étiquette", "aliases": [], "definition": "Valeur de classe ou annotation associée à un exemple. Son sens et ses règles d’attribution doivent être documentés.", "refs": [[2, 3]]}, {"term": "regroupement", "aliases": ["clustering"], "definition": "Recherche de groupes d’observations similaires sans fournir leurs classes correctes pour guider l’ajustement.", "refs": [[2, 4], [6, 0]]}, {"term": "génération", "aliases": [], "definition": "Production d’un contenu par un système, par exemple un texte ou une image.", "refs": [[2, 4], [8, 0]]}, {"term": "résumé", "aliases": [], "definition": "Présentation condensée d’un contenu, qui doit conserver ses idées et réserves importantes sans ajouter d’affirmations non appuyées.", "refs": [[2, 4]]}, {"term": "entraînement", "aliases": ["training"], "definition": "Processus qui ajuste les paramètres d’un modèle à partir d’exemples selon un objectif.", "refs": [[2, 5], [4, 4]]}, {"term": "inférence", "aliases": [], "definition": "Utilisation d’un modèle pour produire une sortie à partir d’une entrée. En IA symbolique, le terme peut aussi désigner l’application de règles de raisonnement.", "refs": [[2, 5]]}, {"term": "paramètre", "aliases": [], "definition": "Valeur interne ajustée par un modèle pendant l’apprentissage, comme un poids ou un biais dans un réseau.", "refs": [[2, 5], [7, 3]]}, {"term": "nouvelle donnée", "aliases": [], "definition": "Observation traitée après l’ajustement. Pour évaluer la généralisation, elle doit respecter les règles d’indépendance et de représentativité du protocole.", "refs": [[2, 5]]}, {"term": "généralisation", "aliases": [], "definition": "Capacité d’un modèle à produire des résultats utiles sur de nouvelles observations pertinentes pour l’usage prévu.", "refs": [[2, 6]]}, {"term": "représentativité", "aliases": [], "definition": "Adéquation entre les données étudiées et la population ou les situations auxquelles on souhaite appliquer les conclusions.", "refs": [[2, 6]]}, {"term": "transfert de contexte", "aliases": [], "definition": "Utilisation d’un modèle dans un environnement différent de celui de son développement, exigeant une nouvelle vérification de pertinence.", "refs": [[2, 6]]}, {"term": "corrélation", "aliases": [], "definition": "Mesure d’association statistique entre variables. Elle ne démontre pas à elle seule une relation causale.", "refs": [[2, 6]]}, {"term": "causalité", "aliases": [], "definition": "Relation selon laquelle une modification d’un facteur produit un effet, sous une définition et des hypothèses permettant de l’établir.", "refs": [[2, 6], [6, 7]]}, {"term": "calibration", "aliases": [], "definition": "Adéquation entre les probabilités annoncées et les fréquences observées sur des données pertinentes.", "refs": [[2, 6], [5, 7]]}, {"term": "risque", "aliases": [], "definition": "Possibilité d’une conséquence indésirable, à analyser selon sa probabilité, sa gravité et le contexte d’utilisation.", "refs": [[2, 7]]}, {"term": "évaluation", "aliases": [], "definition": "Procédure qui mesure la qualité d’un système selon des données, critères et conditions explicités.", "refs": [[2, 7]]}, {"term": "performance", "aliases": [], "definition": "Résultat d’une évaluation selon une métrique et un protocole donnés, sans garantie universelle de fiabilité.", "refs": [[2, 7]]}, {"term": "algorithme", "aliases": [], "definition": "Description d’instructions précises et ordonnées pour résoudre un problème. Les algorithmes de ces exercices doivent terminer pour les entrées admises.", "refs": [[3, 0]]}, {"term": "programme", "aliases": [], "definition": "Instructions mises en œuvre dans un langage informatique pour être exécutées par un système.", "refs": [[3, 0]]}, {"term": "pseudocode", "aliases": [], "definition": "Écriture structurée d’un algorithme destinée à être lue par un humain sans dépendre d’un langage de programmation particulier.", "refs": [[3, 0]]}, {"term": "instruction", "aliases": [], "definition": "Action élémentaire ou étape prescrite dans une méthode de traitement.", "refs": [[3, 0]]}, {"term": "spécification", "aliases": [], "definition": "Description des entrées acceptées, des sorties attendues et des contraintes d’un problème.", "refs": [[3, 1]]}, {"term": "contrainte", "aliases": [], "definition": "Règle qu’une donnée, une procédure ou un résultat doit respecter.", "refs": [[3, 1]]}, {"term": "cas limite", "aliases": [], "definition": "Situation particulière ou proche d’une frontière qui doit être explicitement testée, comme liste vide ou valeur au seuil.", "refs": [[3, 1]]}, {"term": "validation des entrées", "aliases": [], "definition": "Contrôle des données reçues avant de réaliser les opérations qui en dépendent.", "refs": [[3, 1]]}, {"term": "liste vide", "aliases": [], "definition": "Collection sans élément. Elle ne possède pas de premier élément et n’a pas de moyenne arithmétique définie par la formule ordinaire.", "refs": [[3, 1]]}, {"term": "variable", "aliases": [], "definition": "Nom associé à une valeur ou caractéristique. En algorithmique, sa valeur peut être mise à jour ; dans un tableau, elle décrit une propriété des observations.", "refs": [[3, 2], [4, 0]]}, {"term": "affectation", "aliases": [], "definition": "Mise à jour de la valeur associée à une variable. Elle se distingue d’une égalité mathématique.", "refs": [[3, 2]]}, {"term": "initialisation", "aliases": [], "definition": "Attribution d’un état ou d’une valeur de départ avant le calcul ou l’apprentissage.", "refs": [[3, 2], [6, 3]]}, {"term": "accumulateur", "aliases": [], "definition": "Variable qui conserve un résultat progressif, par exemple une somme.", "refs": [[3, 2]]}, {"term": "compteur", "aliases": [], "definition": "Variable qui suit un nombre d’éléments ou d’itérations.", "refs": [[3, 2]]}, {"term": "trace d’exécution", "aliases": [], "definition": "Tableau ou description des valeurs successives des variables pendant l’exécution d’une méthode.", "refs": [[3, 2]]}, {"term": "condition", "aliases": [], "definition": "Expression évaluée comme vraie ou fausse pour contrôler une action.", "refs": [[3, 3]]}, {"term": "booléen", "aliases": [], "definition": "Type ou valeur logique ayant deux états, vrai et faux.", "refs": [[3, 3]]}, {"term": "comparaison", "aliases": [], "definition": "Opération qui confronte des valeurs, par exemple pour tester une égalité ou un ordre.", "refs": [[3, 3]]}, {"term": "seuil", "aliases": [], "definition": "Valeur frontière définissant une règle de décision ou une condition. Le sens dépend du problème.", "refs": [[3, 3]]}, {"term": "boucle", "aliases": [], "definition": "Structure qui répète un bloc d’instructions selon un parcours ou une condition.", "refs": [[3, 4]]}, {"term": "POUR", "aliases": [], "definition": "Structure de boucle utilisée pour parcourir des éléments ou un nombre prévu d’itérations.", "refs": [[3, 4]]}, {"term": "TANT QUE", "aliases": [], "definition": "Structure qui répète un bloc tant qu’une condition est vraie.", "refs": [[3, 4]]}, {"term": "itération", "aliases": [], "definition": "Une exécution d’une étape répétée dans une boucle ou une procédure d’apprentissage.", "refs": [[3, 4]]}, {"term": "boucle infinie", "aliases": [], "definition": "Répétition qui ne se termine pas dans les conditions prévues, souvent faute de mise à jour ou de sortie adaptée.", "refs": [[3, 4]]}, {"term": "invariant", "aliases": [], "definition": "Propriété vraie à des points déterminés de chaque itération, utilisée pour raisonner sur la correction d’une méthode.", "refs": [[3, 5]]}, {"term": "somme des coefficients", "aliases": [], "definition": "Total des poids dans une moyenne pondérée. Il constitue le dénominateur et doit être positif dans les exercices.", "refs": [[3, 5]]}, {"term": "maximum", "aliases": [], "definition": "Plus grande valeur d’un ensemble ordonné non vide.", "refs": [[3, 6]]}, {"term": "recherche linéaire", "aliases": [], "definition": "Méthode examinant les éléments successivement pour trouver une valeur ou constater son absence.", "refs": [[3, 6]]}, {"term": "recherche dichotomique", "aliases": ["dichotomie"], "definition": "Recherche qui réduit de moitié un intervalle de tableau trié en comparant la valeur au milieu.", "refs": [[3, 6]]}, {"term": "tri", "aliases": [], "definition": "Réorganisation d’éléments selon un ordre défini.", "refs": [[3, 6]]}, {"term": "complexité", "aliases": [], "definition": "Description de la croissance des ressources nécessaires selon la taille des données et un modèle de coût.", "refs": [[3, 7]]}, {"term": "O(n)", "aliases": [], "definition": "Notation utilisée ici pour une borne de croissance linéaire en fonction de la taille n, sans indiquer directement un temps en secondes.", "refs": [[3, 7]]}, {"term": "O(log n)", "aliases": [], "definition": "Notation utilisée ici pour une borne de croissance logarithmique, comme les comparaisons d’une recherche dichotomique sur tableau trié.", "refs": [[3, 7]]}, {"term": "heuristique", "aliases": [], "definition": "Règle qui guide une recherche vers des solutions prometteuses, sans garantie générale d’optimalité.", "refs": [[3, 7]]}, {"term": "état", "aliases": [], "definition": "Description des valeurs et de la situation d’un système à une étape du calcul.", "refs": [[3, 7]]}, {"term": "jeu de données", "aliases": [], "definition": "Ensemble d’observations organisé pour une analyse, avec des variables définies.", "refs": [[4, 0]]}, {"term": "observation", "aliases": ["unité d’observation"], "definition": "Entité ou événement que représente une ligne d’un tableau : étudiant, inscription ou mesure mensuelle, par exemple.", "refs": [[4, 0]]}, {"term": "dictionnaire de données", "aliases": [], "definition": "Document qui précise le sens, le type, l’unité, les modalités et les règles de collecte des variables.", "refs": [[4, 0]]}, {"term": "identifiant", "aliases": [], "definition": "Code servant à distinguer ou relier des observations. Son usage prédictif doit être justifié plutôt que supposé pertinent.", "refs": [[4, 0]]}, {"term": "variable numérique", "aliases": [], "definition": "Variable représentant une quantité mesurable ou dénombrable.", "refs": [[4, 1]]}, {"term": "variable catégorielle", "aliases": [], "definition": "Variable décrivant des modalités dont le codage numérique ne crée pas automatiquement une distance quantitative.", "refs": [[4, 1]]}, {"term": "variable explicative", "aliases": ["caractéristique", "feature"], "definition": "Information d’entrée utilisée par un modèle et disponible au moment prévu pour la prédiction.", "refs": [[4, 1]]}, {"term": "X", "aliases": [], "definition": "Notation courante de l’ensemble des caractéristiques d’entrée. Son organisation doit être précisée dans le problème.", "refs": [[4, 1]]}, {"term": "y", "aliases": [], "definition": "Notation courante de la cible observée. ŷ, ou y chapeau, désigne une prédiction.", "refs": [[4, 1]]}, {"term": "valeur manquante", "aliases": [], "definition": "Absence d’information pour une variable. Elle se distingue d’une mesure égale à zéro.", "refs": [[4, 2]]}, {"term": "doublon", "aliases": [], "definition": "Répétition d’une observation à examiner selon l’unité d’analyse, afin de distinguer copie accidentelle et événement légitime.", "refs": [[4, 2]]}, {"term": "incohérence", "aliases": [], "definition": "Valeur ou relation incompatible avec les définitions ou contraintes annoncées, à vérifier auprès de la source.", "refs": [[4, 2]]}, {"term": "imputation", "aliases": [], "definition": "Remplacement d’une valeur manquante selon une règle documentée, apprise sur l’entraînement dans un protocole prédictif.", "refs": [[4, 2]]}, {"term": "médiane", "aliases": [], "definition": "Valeur centrale d’une série ordonnée ; pour un effectif pair, on utilise couramment la moyenne des deux valeurs centrales.", "refs": [[4, 2]]}, {"term": "qualité des données", "aliases": [], "definition": "Adéquation, cohérence et fiabilité des données pour l’objectif de l’analyse.", "refs": [[4, 2]]}, {"term": "standardisation", "aliases": ["z-score"], "definition": "Transformation z=(x−μ)/σ avec moyenne et écart-type estimés sur l’entraînement, puis appliqués aux autres ensembles.", "refs": [[4, 3], [6, 2]]}, {"term": "normalisation", "aliases": [], "definition": "Terme général ou ambigu pour une mise à l’échelle. Dans la diapositive du cours 4, la formule précise est une standardisation z=(x−μ)/σ.", "refs": [[4, 3]]}, {"term": "écart-type", "aliases": [], "definition": "Mesure de dispersion autour de la moyenne, définie comme la racine d’une variance selon une convention précisée.", "refs": [[4, 3]]}, {"term": "prétraitement", "aliases": [], "definition": "Transformations préparant les données pour l’analyse, comme imputation, encodage ou standardisation.", "refs": [[4, 3]]}, {"term": "validation", "aliases": [], "definition": "En apprentissage, données ou procédure utilisées pour comparer des choix de modèle et de réglages, avant le test final.", "refs": [[4, 4], [5, 7]]}, {"term": "test", "aliases": [], "definition": "En apprentissage, ensemble réservé à l’évaluation finale de la procédure retenue. En algorithmique, un test peut aussi être un cas de vérification.", "refs": [[4, 4]]}, {"term": "validation croisée", "aliases": [], "definition": "Évaluation répétée sur plusieurs partitions définies par un protocole, qui doit respecter les dépendances et éviter les fuites.", "refs": [[4, 4]]}, {"term": "séparation temporelle", "aliases": [], "definition": "Partition respectant l’ordre temporel pour évaluer un usage de prédiction future.", "refs": [[4, 4]]}, {"term": "groupes", "aliases": [], "definition": "En évaluation, ensembles d’observations liées à garder séparés si le protocole le demande ; en clustering, ensembles construits selon une similarité.", "refs": [[4, 4]]}, {"term": "fuite de données", "aliases": ["data leakage", "contamination"], "definition": "Utilisation d’informations qui ne devraient pas être disponibles pour l’apprentissage ou l’évaluation selon le protocole prévu.", "refs": [[4, 5]]}, {"term": "fuite temporelle", "aliases": [], "definition": "Fuite utilisant des informations du futur pour prévoir une situation antérieure ou un résultat avant sa disponibilité.", "refs": [[4, 5]]}, {"term": "fuite de cible", "aliases": [], "definition": "Utilisation directe ou indirecte de la réponse à prédire dans les entrées ou la préparation.", "refs": [[4, 5]]}, {"term": "sous-apprentissage", "aliases": ["underfitting"], "definition": "Ajustement insuffisant des relations utiles, pouvant produire des erreurs élevées sur entraînement et nouvelles données.", "refs": [[4, 6]]}, {"term": "surapprentissage", "aliases": ["overfitting"], "definition": "Ajustement excessif aux particularités de l’entraînement, qui limite la généralisation.", "refs": [[4, 6]]}, {"term": "distribution", "aliases": [], "definition": "Organisation statistique des valeurs ou situations observées. Elle peut changer entre périodes ou populations.", "refs": [[4, 6]]}, {"term": "référence simple", "aliases": ["baseline"], "definition": "Méthode de comparaison élémentaire utilisée pour juger si un modèle plus complexe apporte un gain utile.", "refs": [[4, 7]]}, {"term": "reproductibilité", "aliases": [], "definition": "Possibilité de refaire une analyse à partir de données, règles, partitions, versions et conditions documentées.", "refs": [[4, 7]]}, {"term": "graine aléatoire", "aliases": [], "definition": "Valeur initiale d’un générateur pseudoaléatoire, utile pour répéter certaines opérations sans garantir l’identité sur tous les systèmes.", "refs": [[4, 7]]}, {"term": "minimisation", "aliases": [], "definition": "Principe de limiter les données collectées ou transmises à ce qui est nécessaire pour l’objectif.", "refs": [[4, 7], [8, 7]]}, {"term": "réidentification", "aliases": [], "definition": "Possibilité de retrouver l’identité d’une personne à partir d’informations restantes ou de croisements de données.", "refs": [[4, 7], [8, 7]]}, {"term": "apprentissage supervisé", "aliases": ["supervision", "supervised learning"], "definition": "Apprentissage utilisant des exemples associant les entrées à une cible connue pour la tâche.", "refs": [[5, 0]]}, {"term": "prédiction", "aliases": [], "definition": "Résultat fourni par un modèle pour une entrée, souvent noté ŷ pour une cible numérique.", "refs": [[5, 0], [7, 4]]}, {"term": "étiquetage", "aliases": [], "definition": "Attribution d’annotations ou de catégories aux exemples selon des règles explicites.", "refs": [[5, 0]]}, {"term": "régression linéaire", "aliases": [], "definition": "Modèle qui prédit une quantité par une combinaison affine d’entrées ; en une dimension ŷ=ax+b.", "refs": [[5, 1]]}, {"term": "pente", "aliases": [], "definition": "Coefficient a indiquant la variation prédite de la sortie pour une unité d’entrée dans une droite ŷ=ax+b.", "refs": [[5, 1]]}, {"term": "ordonnée à l’origine", "aliases": [], "definition": "Constante b d’une droite ŷ=ax+b, correspondant à la prédiction pour x=0 dans le modèle.", "refs": [[5, 1]]}, {"term": "moindres carrés", "aliases": [], "definition": "Méthode d’ajustement qui minimise une somme d’erreurs au carré.", "refs": [[5, 1]]}, {"term": "extrapolation", "aliases": [], "definition": "Utilisation d’une relation hors du domaine de valeurs représenté par les données ayant servi à l’ajuster.", "refs": [[5, 1]]}, {"term": "k-NN", "aliases": ["k plus proches voisins"], "definition": "k-Nearest Neighbors : méthode qui prédit à partir des k observations d’entraînement les plus proches selon une distance.", "refs": [[5, 2]]}, {"term": "vote majoritaire", "aliases": [], "definition": "Règle attribuant la classe la plus fréquente parmi les voisins ou votants considérés, avec une règle de départage si nécessaire.", "refs": [[5, 2]]}, {"term": "hyperparamètre", "aliases": [], "definition": "Réglage de la procédure ou de l’architecture, choisi à l’extérieur de l’ajustement ordinaire des paramètres et évalué sur validation.", "refs": [[5, 2], [7, 6]]}, {"term": "arbre de décision", "aliases": [], "definition": "Modèle qui applique une suite de conditions sur les variables et fournit une prédiction dans une feuille.", "refs": [[5, 3]]}, {"term": "nœud", "aliases": [], "definition": "Point de calcul ou de décision d’une structure. Dans un arbre, il porte une condition ; dans un réseau, il peut désigner une unité.", "refs": [[5, 3]]}, {"term": "feuille", "aliases": [], "definition": "Nœud terminal d’un arbre de décision contenant une prédiction.", "refs": [[5, 3]]}, {"term": "profondeur", "aliases": [], "definition": "Nombre de niveaux ou de transitions selon la convention de l’architecture. Il faut préciser la manière de compter.", "refs": [[5, 3]]}, {"term": "élagage", "aliases": [], "definition": "Réduction de certaines branches d’un arbre pour contrôler sa complexité.", "refs": [[5, 3]]}, {"term": "résidu", "aliases": [], "definition": "Écart entre valeur observée et prédite ; ce module utilise e=y−ŷ, convention à annoncer.", "refs": [[5, 4]]}, {"term": "MAE", "aliases": ["erreur absolue moyenne"], "definition": "Mean Absolute Error : moyenne de |y−ŷ|, exprimée dans l’unité de la cible.", "refs": [[5, 4]]}, {"term": "RMSE", "aliases": ["racine de l’erreur quadratique moyenne"], "definition": "Root Mean Squared Error : racine de la moyenne des (y−ŷ)², qui accentue les grands écarts.", "refs": [[5, 4]]}, {"term": "matrice de confusion", "aliases": [], "definition": "Tableau croisant classes observées et prédites, avec axes et classe positive explicités.", "refs": [[5, 5]]}, {"term": "VP", "aliases": ["vrai positif"], "definition": "Cas réellement positif et prédit positif, selon la classe positive définie.", "refs": [[5, 5]]}, {"term": "FN", "aliases": ["faux négatif"], "definition": "Cas réellement positif mais prédit négatif : un positif manqué.", "refs": [[5, 5]]}, {"term": "FP", "aliases": ["faux positif"], "definition": "Cas réellement négatif mais prédit positif : une fausse alerte.", "refs": [[5, 5]]}, {"term": "VN", "aliases": ["vrai négatif"], "definition": "Cas réellement négatif et prédit négatif.", "refs": [[5, 5]]}, {"term": "exactitude", "aliases": ["accuracy"], "definition": "Proportion totale de prédictions correctes ; en binaire (VP+VN)/N, si N>0.", "refs": [[5, 6]]}, {"term": "précision", "aliases": ["precision"], "definition": "Proportion de vrais positifs parmi les prédits positifs : VP/(VP+FP), si le dénominateur est positif.", "refs": [[5, 6]]}, {"term": "rappel", "aliases": ["recall", "sensibilité"], "definition": "Proportion de positifs réels retrouvés : VP/(VP+FN), si le dénominateur est positif.", "refs": [[5, 6]]}, {"term": "déséquilibre des classes", "aliases": [], "definition": "Situation où les catégories ont des fréquences très différentes, pouvant rendre un score global trompeur.", "refs": [[5, 6]]}, {"term": "seuil de décision", "aliases": [], "definition": "Frontière qui transforme un score en classe selon une règle, par exemple positif si score≥seuil.", "refs": [[5, 7]]}, {"term": "choix du modèle", "aliases": [], "definition": "Comparaison de méthodes et réglages sur un protocole de validation avant une évaluation finale réservée.", "refs": [[5, 7]]}, {"term": "score", "aliases": [], "definition": "Valeur numérique produite ou calculée pour un objectif. Son interprétation et sa calibration doivent être explicitées.", "refs": [[5, 7]]}, {"term": "apprentissage non supervisé", "aliases": ["non supervisé", "unsupervised learning"], "definition": "Recherche de structures sans réponse cible fournie pour guider l’ajustement de la tâche.", "refs": [[6, 0]]}, {"term": "structure", "aliases": [], "definition": "Organisation ou relation repérée dans les données selon la méthode choisie, sans garantie de signification naturelle ou causale.", "refs": [[6, 0]]}, {"term": "distance euclidienne", "aliases": [], "definition": "Distance géométrique égale à la racine de la somme des carrés des écarts de coordonnées.", "refs": [[6, 1]]}, {"term": "distance", "aliases": [], "definition": "Mesure de séparation entre observations selon une représentation et une règle définies.", "refs": [[5, 2], [6, 1]]}, {"term": "similarité", "aliases": [], "definition": "Proximité ou ressemblance mesurée selon des caractéristiques et un critère choisis.", "refs": [[6, 1]]}, {"term": "coordonnée", "aliases": [], "definition": "Valeur indiquant la position d’un point sur un axe de représentation.", "refs": [[6, 1]]}, {"term": "échelle", "aliases": [], "definition": "Ordre de grandeur ou règle de mesure d’une variable, qui influence notamment les distances.", "refs": [[6, 2]]}, {"term": "unité", "aliases": [], "definition": "Référence utilisée pour exprimer une quantité, par exemple minute, heure ou point sur 20.", "refs": [[6, 2]]}, {"term": "catégorie nominale", "aliases": [], "definition": "Modalité sans ordre naturel, comme une filière ou un type de document.", "refs": [[6, 2]]}, {"term": "encodage", "aliases": [], "definition": "Représentation de valeurs pour le calcul, qui doit respecter leur sens et ne pas créer d’ordre artificiel.", "refs": [[6, 2]]}, {"term": "k-means", "aliases": ["k moyennes"], "definition": "Algorithme de regroupement en k groupes cherchant à réduire la somme des distances euclidiennes au carré aux centres.", "refs": [[6, 3]]}, {"term": "centroïde", "aliases": ["centre"], "definition": "Moyenne des coordonnées des observations d’un groupe dans k-means. Ce centre peut ne correspondre à aucun point réel.", "refs": [[6, 3]]}, {"term": "affectation de groupe", "aliases": [], "definition": "Étape qui attribue une observation au centre le plus proche selon une règle de distance et de départage.", "refs": [[6, 3]]}, {"term": "inertie", "aliases": ["somme des carrés"], "definition": "Dans k-means, somme des carrés des distances entre observations et centres de leurs groupes.", "refs": [[6, 4]]}, {"term": "itération k-means", "aliases": [], "definition": "Cycle comprenant affectation des points puis recalcul des centres, avec un critère d’arrêt explicite.", "refs": [[6, 4]]}, {"term": "nombre de groupes", "aliases": [], "definition": "Valeur k définissant combien de groupes une procédure comme k-means cherche à constituer.", "refs": [[6, 5]]}, {"term": "méthode du coude", "aliases": [], "definition": "Lecture de la diminution de l’inertie selon k pour proposer un compromis, parfois sans coude net.", "refs": [[6, 5]]}, {"term": "silhouette", "aliases": [], "definition": "Indicateur comparant cohésion dans un groupe et séparation avec les autres selon une distance, sans prouver la pertinence humaine.", "refs": [[6, 5]]}, {"term": "stabilité", "aliases": [], "definition": "Résistance des résultats à de petites variations de données, de préparation ou d’initialisation.", "refs": [[6, 5]]}, {"term": "valeur atypique", "aliases": [], "definition": "Observation éloignée de la majorité selon un critère. Elle peut être réelle et ne doit pas être supprimée automatiquement.", "refs": [[6, 5]]}, {"term": "ACP", "aliases": ["PCA"], "definition": "Analyse en composantes principales, Principal Component Analysis : transformation linéaire construisant des axes orthogonaux pour résumer la variance des données centrées.", "refs": [[6, 6]]}, {"term": "réduction de dimension", "aliases": [], "definition": "Représentation avec moins de variables ou axes, qui conserve certaines propriétés et en perd d’autres.", "refs": [[6, 6]]}, {"term": "variance expliquée", "aliases": [], "definition": "Part de la dispersion mathématique représentée par des composantes, qui ne garantit pas la conservation de l’information prédictive utile.", "refs": [[6, 6]]}, {"term": "composante principale", "aliases": [], "definition": "Axe construit par l’ACP sous contraintes d’orthogonalité pour représenter progressivement la variance.", "refs": [[6, 6]]}, {"term": "interprétation", "aliases": [], "definition": "Attribution d’un sens aux résultats en tenant compte des données, des hypothèses et des limites.", "refs": [[6, 7]]}, {"term": "jugement", "aliases": [], "definition": "Appréciation concernant des objets ou personnes, qui ne se déduit pas automatiquement d’un groupe statistique.", "refs": [[6, 7]]}, {"term": "étiquette de groupe", "aliases": [], "definition": "Nom attribué à un groupe construit. Préférer un nom descriptif ou neutre à un jugement non justifié.", "refs": [[6, 7]]}, {"term": "éthique", "aliases": [], "definition": "Examen des responsabilités, conséquences et principes guidant les choix et usages d’un système.", "refs": [[6, 7]]}, {"term": "neurone artificiel", "aliases": [], "definition": "Unité calculant une somme pondérée d’entrées plus un biais, puis une activation.", "refs": [[7, 0]]}, {"term": "poids", "aliases": [], "definition": "Paramètre qui multiplie une entrée dans un calcul de modèle ; son interprétation dépend de l’architecture et des échelles.", "refs": [[7, 0]]}, {"term": "biais du neurone", "aliases": [], "definition": "Paramètre b ajouté à la somme pondérée pour la décaler avant activation, distinct d’un biais social.", "refs": [[7, 0]]}, {"term": "somme pondérée", "aliases": [], "definition": "Addition de produits entre valeurs et poids, à distinguer d’une moyenne pondérée qui ajoute une division.", "refs": [[7, 0]]}, {"term": "activation", "aliases": ["fonction d’activation"], "definition": "Transformation appliquée à la somme d’une unité, qui peut introduire une non-linéarité.", "refs": [[7, 0], [7, 1]]}, {"term": "ReLU", "aliases": ["Rectified Linear Unit"], "definition": "Fonction max(0,z) : remplace les valeurs négatives par zéro et conserve les autres.", "refs": [[7, 1]]}, {"term": "sigmoïde", "aliases": [], "definition": "Fonction 1/(1+exp(−z)), dont la sortie pour z fini est strictement entre 0 et 1.", "refs": [[7, 1]]}, {"term": "non-linéarité", "aliases": [], "definition": "Propriété d’une transformation qui ne se réduit pas à une fonction affine, permettant certaines relations complexes.", "refs": [[7, 1]]}, {"term": "réseau dense", "aliases": [], "definition": "Architecture reliant chaque unité d’une couche à toutes celles de la suivante.", "refs": [[7, 2]]}, {"term": "couche d’entrée", "aliases": [], "definition": "Ensemble qui reçoit les caractéristiques ; dans le réseau dense simple du cours, ces unités n’ajoutent pas de paramètres.", "refs": [[7, 2]]}, {"term": "couche cachée", "aliases": [], "definition": "Niveau intermédiaire de transformations entre entrée et sortie d’un réseau.", "refs": [[7, 2]]}, {"term": "couche de sortie", "aliases": [], "definition": "Niveau final qui produit la prédiction ou représentation attendue.", "refs": [[7, 2]]}, {"term": "propagation avant", "aliases": [], "definition": "Calcul successif des transformations d’un réseau de l’entrée vers la sortie.", "refs": [[7, 2]]}, {"term": "architecture", "aliases": [], "definition": "Organisation des unités, couches et connexions d’un modèle.", "refs": [[7, 2]]}, {"term": "comptage des paramètres", "aliases": [], "definition": "Calcul du nombre de valeurs entraînables ; une couche dense p→m avec biais en possède p×m+m.", "refs": [[7, 3]]}, {"term": "connexion", "aliases": [], "definition": "Lien transportant une valeur entre unités, associé à un poids dans le réseau dense du cours.", "refs": [[7, 3]]}, {"term": "biais", "aliases": [], "definition": "Terme ambigu : b peut désigner le décalage d’un neurone ; un biais peut aussi être une tendance systématique affectant données ou résultats. Préciser le contexte.", "refs": [[7, 0], [8, 7]]}, {"term": "fonction de perte", "aliases": ["loss"], "definition": "Quantité optimisée pour mesurer un écart à l’objectif d’apprentissage.", "refs": [[7, 4]]}, {"term": "erreur quadratique", "aliases": [], "definition": "Carré d’un écart entre prédiction et observation, selon la convention de la fonction utilisée.", "refs": [[7, 4]]}, {"term": "rétropropagation", "aliases": ["backpropagation"], "definition": "Calcul des gradients de la perte par rapport aux paramètres à travers la règle de dérivation en chaîne.", "refs": [[7, 5]]}, {"term": "gradient", "aliases": [], "definition": "Ensemble des dérivées d’une quantité par rapport à ses variables ou paramètres, décrivant une variation locale.", "refs": [[7, 5]]}, {"term": "descente de gradient", "aliases": [], "definition": "Procédure de mise à jour dans la direction opposée au gradient, avec un pas défini.", "refs": [[7, 5]]}, {"term": "taux d’apprentissage", "aliases": ["eta"], "definition": "Réglage η contrôlant l’amplitude des mises à jour dans l’optimisation.", "refs": [[7, 5]]}, {"term": "époque", "aliases": ["epoch"], "definition": "Passage complet sur l’ensemble d’entraînement selon l’organisation annoncée.", "refs": [[7, 6]]}, {"term": "lot", "aliases": ["batch"], "definition": "Sous-ensemble d’exemples traité au cours d’une étape de calcul.", "refs": [[7, 6]]}, {"term": "taille de lot", "aliases": [], "definition": "Nombre d’observations d’un lot, hyperparamètre de l’entraînement.", "refs": [[7, 6]]}, {"term": "arrêt anticipé", "aliases": [], "definition": "Arrêt ou choix d’une étape d’entraînement selon un critère de validation pour limiter une dégradation de généralisation.", "refs": [[7, 7]]}, {"term": "régularisation", "aliases": [], "definition": "Moyens de contraindre l’ajustement ou la complexité afin d’améliorer la généralisation selon le contexte.", "refs": [[7, 7]]}, {"term": "apprentissage par transfert", "aliases": [], "definition": "Réutilisation d’un modèle préentraîné pour une nouvelle tâche, avec ou sans ajustement de paramètres.", "refs": [[7, 7]]}, {"term": "préentraînement", "aliases": [], "definition": "Phase d’apprentissage préalable dont les paramètres sont ensuite utilisés ou adaptés dans un autre usage.", "refs": [[7, 7], [8, 1]]}, {"term": "transformeur", "aliases": [], "definition": "Famille d’architectures utilisant notamment des mécanismes d’attention pour traiter des représentations, présente dans de nombreux modèles de langage et d’autres domaines.", "refs": [[7, 7]]}, {"term": "réseau convolutif", "aliases": [], "definition": "Architecture utilisant des opérations de convolution, notamment pour exploiter des structures locales d’images.", "refs": [[7, 7]]}, {"term": "modèle de langage", "aliases": ["LLM"], "definition": "Modèle qui représente des régularités de séquences linguistiques. LLM signifie Large Language Model, grand modèle de langage ; tous les modèles de langage ne sont pas grands.", "refs": [[8, 0]]}, {"term": "jeton", "aliases": ["token"], "definition": "Unité de représentation du texte, pouvant être un mot, un fragment ou un signe selon la tokenisation.", "refs": [[8, 0]]}, {"term": "tokenisation", "aliases": [], "definition": "Découpage et représentation d’un texte en jetons selon le vocabulaire du système.", "refs": [[8, 0]]}, {"term": "décodage", "aliases": [], "definition": "Procédure choisissant une continuation à partir des scores ou probabilités d’un modèle, avec ou sans échantillonnage.", "refs": [[8, 0]]}, {"term": "contexte", "aliases": [], "definition": "Informations accessibles au système pour produire la réponse courante : messages, instructions ou extraits, selon ses capacités.", "refs": [[8, 1]]}, {"term": "fenêtre de contexte", "aliases": [], "definition": "Quantité ou ensemble d’informations que le modèle peut traiter dans son contexte, généralement limité en jetons.", "refs": [[8, 1]]}, {"term": "conversation", "aliases": [], "definition": "Suite de messages fournis à un service ; son exploitation, sa conservation et son usage éventuel pour l’entraînement dépendent du service.", "refs": [[8, 1]]}, {"term": "mémoire", "aliases": [], "definition": "Terme ambigu : mémoire informatique comme la RAM, contexte accessible à un modèle, ou fonction de conservation d’un service. Préciser lequel.", "refs": [[8, 1]]}, {"term": "recherche documentaire", "aliases": [], "definition": "Démarche qui retrouve, sélectionne et examine des documents existants pour répondre à une question.", "refs": [[8, 2]]}, {"term": "source", "aliases": [], "definition": "Document, jeu de données ou observation dont une affirmation tire son appui, à vérifier directement quand cela est possible.", "refs": [[8, 2]]}, {"term": "référence", "aliases": [], "definition": "Identification d’une ressource : auteurs, titre, date ou lien. Sa présence ne prouve ni existence ni pertinence.", "refs": [[8, 2]]}, {"term": "citation", "aliases": [], "definition": "Attribution explicite d’une idée ou d’un passage à une source, qui doit soutenir l’affirmation concernée.", "refs": [[8, 2]]}, {"term": "RAG", "aliases": [], "definition": "Retrieval-Augmented Generation, génération augmentée par récupération : association d’une recherche de documents à une génération, sans garantie automatique d’exactitude.", "refs": [[8, 2]]}, {"term": "corpus", "aliases": [], "definition": "Ensemble de documents ou données constituant le périmètre d’une analyse ou d’une recherche.", "refs": [[8, 2]]}, {"term": "contexte de demande", "aliases": [], "definition": "Informations précisant la situation et le public dans une consigne, à distinguer de tout le contexte technique accessible au modèle.", "refs": [[8, 3]]}, {"term": "contrainte de format", "aliases": [], "definition": "Exigence sur la forme attendue d’un résultat, comme tableau, longueur ou nombre de sections.", "refs": [[8, 3]]}, {"term": "public", "aliases": [], "definition": "Personnes auxquelles une explication ou un support est destiné, dont le niveau oriente les définitions et exemples.", "refs": [[8, 3]]}, {"term": "amélioration progressive", "aliases": [], "definition": "Production et révision par étapes avec contrôle des objectifs, des exemples et des erreurs à chaque étape.", "refs": [[8, 4]]}, {"term": "révision", "aliases": [], "definition": "Examen et modification d’un contenu pour corriger erreurs, omissions ou problèmes de clarté.", "refs": [[8, 4]]}, {"term": "diaporama", "aliases": [], "definition": "Support de présentation organisé en diapositives, dont la lisibilité et la justesse doivent être contrôlées.", "refs": [[8, 4]]}, {"term": "traçabilité", "aliases": [], "definition": "Possibilité de retrouver les sources, choix, versions et étapes ayant conduit au résultat.", "refs": [[8, 4]]}, {"term": "validation pédagogique", "aliases": [], "definition": "Relecture et approbation du fond et de l’adéquation d’un support par les responsables de l’enseignement.", "refs": [[8, 4]]}, {"term": "hallucination", "aliases": [], "definition": "Contenu généré plausible mais inexact, inventé ou insuffisamment appuyé par les éléments disponibles.", "refs": [[8, 5]]}, {"term": "vérification", "aliases": [], "definition": "Contrôle d’une affirmation, d’un calcul ou d’une référence à l’aide d’éléments adaptés et indépendants si possible.", "refs": [[8, 5]]}, {"term": "fait", "aliases": [], "definition": "Affirmation portant sur une réalité que l’on cherche à établir par des preuves appropriées.", "refs": [[8, 5]]}, {"term": "incertitude", "aliases": [], "definition": "Limite de connaissance ou de précision qui doit être explicitée plutôt que masquée par une formulation assurée.", "refs": [[8, 5]]}, {"term": "contradiction", "aliases": [], "definition": "Incompatibilité entre affirmations portant sur les mêmes conditions, à distinguer d’une information simplement absente.", "refs": [[8, 5]]}, {"term": "preuve", "aliases": [], "definition": "Élément ou raisonnement approprié pour appuyer une affirmation, avec des limites liées au domaine et aux hypothèses.", "refs": [[8, 5]]}, {"term": "responsabilité universitaire", "aliases": [], "definition": "Obligation de comprendre, vérifier et assumer un travail remis selon les règles de l’établissement et de l’enseignant.", "refs": [[8, 6]]}, {"term": "intégrité académique", "aliases": [], "definition": "Respect des règles de production, d’attribution et de présentation honnête des travaux universitaires.", "refs": [[8, 6]]}, {"term": "déclaration d’usage", "aliases": [], "definition": "Indication des aides utilisées selon les consignes, sans prétendre avoir réalisé seul un travail assisté lorsque la déclaration est requise.", "refs": [[8, 6]]}, {"term": "outil", "aliases": [], "definition": "Moyen technique à choisir selon la tâche, les données, les fonctions documentées et les contraintes, sans meilleur choix universel.", "refs": [[8, 6]]}, {"term": "plagiat", "aliases": [], "definition": "Présentation de contenus ou idées d’autrui sans attribution appropriée selon les règles académiques applicables.", "refs": [[8, 6]]}, {"term": "donnée personnelle", "aliases": [], "definition": "Information concernant une personne identifiée ou identifiable, directement ou par recoupement.", "refs": [[8, 7]]}, {"term": "fiche de vérification", "aliases": [], "definition": "Document listant demande, sources, faits et calculs contrôlés, corrections et limites restantes.", "refs": [[8, 7]]}, {"term": "PDF", "aliases": [], "definition": "Portable Document Format : format de document conçu pour conserver une présentation stable entre systèmes. Il peut contenir du texte, des images et d’autres objets.", "refs": [[1, 5]]}, {"term": "DOCX", "aliases": [], "definition": "Format courant des documents de traitement de texte Word, également pris en charge par de nombreux autres logiciels.", "refs": [[1, 5]]}, {"term": "XLSX", "aliases": [], "definition": "Format courant de classeur de tableur, pouvant contenir cellules, formules et feuilles.", "refs": [[1, 5]]}, {"term": "PPTX", "aliases": [], "definition": "Format courant de présentation PowerPoint organisé en diapositives, avec texte, images et autres objets.", "refs": [[1, 5]]}, {"term": "JPG", "aliases": ["JPEG"], "definition": "Format d’image qui utilise couramment une compression avec perte. Le renommer en PDF ne convertit pas son contenu.", "refs": [[1, 5]]}, {"term": "PNG", "aliases": [], "definition": "Portable Network Graphics : format d’image utilisant une compression sans perte et pouvant gérer la transparence.", "refs": [[1, 5]]}, {"term": "TXT", "aliases": [], "definition": "Extension courante d’un fichier de texte brut, sans la mise en forme riche d’un document de traitement de texte.", "refs": [[1, 5]]}, {"term": "Python", "aliases": [".py"], "definition": "Langage de programmation généraliste. L’extension .py identifie couramment ses fichiers source.", "refs": [[1, 5]]}, {"term": "Windows", "aliases": [], "definition": "Famille de systèmes d’exploitation de Microsoft. Elle gère les ressources et fournit des services aux applications.", "refs": [[1, 4]]}, {"term": "Android", "aliases": [], "definition": "Système d’exploitation principalement utilisé sur des appareils mobiles.", "refs": [[1, 4]]}, {"term": "GNU/Linux", "aliases": ["Linux"], "definition": "Famille de systèmes utilisant le noyau Linux et divers composants, souvent distribués sous forme de distributions.", "refs": [[1, 4]]}, {"term": "macOS", "aliases": [], "definition": "Système d’exploitation des ordinateurs Mac d’Apple.", "refs": [[1, 4]]}, {"term": "Word", "aliases": ["Writer"], "definition": "Applications de traitement de texte : Word appartient à Microsoft Office et Writer à LibreOffice. Elles permettent de rédiger des documents.", "refs": [[1, 4]]}, {"term": "Excel", "aliases": ["Calc", "tableur"], "definition": "Un tableur organise les données en cellules et permet des calculs par formules. Excel et LibreOffice Calc en sont des exemples.", "refs": [[1, 4]]}, {"term": "clavier", "aliases": [], "definition": "Périphérique d’entrée permettant de saisir des caractères et commandes.", "refs": [[1, 2]]}, {"term": "écran", "aliases": [], "definition": "Périphérique de sortie affichant des informations. Un écran tactile possède aussi une fonction d’entrée.", "refs": [[1, 2]]}, {"term": "carte mère", "aliases": [], "definition": "Support électronique principal reliant les composants de l’ordinateur.", "refs": [[1, 2]]}, {"term": "alimentation", "aliases": [], "definition": "Équipement fournissant l’énergie électrique adaptée aux composants de l’appareil.", "refs": [[1, 2]]}, {"term": "ko", "aliases": ["kilooctet"], "definition": "Unité décimale de données : 1 ko vaut 1 000 octets.", "refs": [[1, 2]]}, {"term": "Mo", "aliases": ["mégaoctet"], "definition": "Unité décimale de données : 1 Mo vaut 1 000 000 octets.", "refs": [[1, 2]]}, {"term": "Go", "aliases": ["gigaoctet"], "definition": "Unité décimale de données : 1 Go vaut 1 000 000 000 octets.", "refs": [[1, 2]]}, {"term": "Kio", "aliases": ["kibioctet"], "definition": "Unité binaire de données : 1 Kio vaut 1 024 octets.", "refs": [[1, 2]]}, {"term": "Mio", "aliases": ["mébioctet"], "definition": "Unité binaire de données : 1 Mio vaut 1 024², soit 1 048 576 octets.", "refs": [[1, 2]]}, {"term": "Gio", "aliases": ["gibioctet"], "definition": "Unité binaire de données : 1 Gio vaut 1 024³, soit 1 073 741 824 octets.", "refs": [[1, 2]]}, {"term": "underscore", "aliases": ["tiret bas", "soulignement", "_"], "definition": "Caractère « _ », souvent utilisé pour séparer les mots dans un nom de fichier. Son emplacement sur le clavier dépend de la disposition.", "refs": [[1, 5]]}, {"term": "tiret", "aliases": ["trait d’union", "-"], "definition": "Caractère « - », distinct du tiret bas « _ ». L’expression « tiret du 6 » concerne certains claviers AZERTY et n’est pas universelle.", "refs": [[1, 5]]}, {"term": "probabilité", "aliases": [], "definition": "Quantité entre 0 et 1 qui mesure la possibilité d’un événement dans un modèle probabiliste. Un score de modèle n’est pas automatiquement une probabilité fiable.", "refs": [[2, 6]]}, {"term": "bruit", "aliases": [], "definition": "Variations ou perturbations des données qui peuvent masquer les relations utiles ; il faut préciser leur origine et leur sens.", "refs": [[5, 2]]}, {"term": "échantillon", "aliases": [], "definition": "Ensemble d’observations étudiées, qui ne représente pas nécessairement toutes les situations de la population visée.", "refs": [[4, 0]]}, {"term": "population", "aliases": [], "definition": "Ensemble des entités ou situations auquel on souhaite appliquer une analyse ou une conclusion.", "refs": [[2, 6]]}, {"term": "variance", "aliases": [], "definition": "Mesure de dispersion fondée sur la moyenne ou une somme ajustée des carrés des écarts à la moyenne, selon la convention.", "refs": [[6, 6]]}, {"term": "métrique", "aliases": [], "definition": "Règle de mesure utilisée pour évaluer un résultat, par exemple MAE, rappel ou exactitude. Son choix dépend de l’objectif.", "refs": [[5, 4]]}, {"term": "optimalité", "aliases": [], "definition": "Propriété d’une solution qui atteint le meilleur objectif dans un domaine défini, sous les contraintes annoncées.", "refs": [[3, 7]]}, {"term": "échantillonnage", "aliases": [], "definition": "Sélection selon une règle, éventuellement aléatoire. En génération de texte, il peut désigner le choix d’un jeton à partir d’une distribution.", "refs": [[8, 0]]}, {"term": "anonymisation", "aliases": [], "definition": "Transformation visant à empêcher l’identification des personnes dans un contexte évalué. Retirer seulement les noms ne suffit pas à démontrer son efficacité.", "refs": [[8, 7]]}, {"term": "API", "aliases": [], "definition": "Application Programming Interface, interface de programmation : mécanisme permettant à des logiciels d’interagir selon des règles définies. Ce dashboard ne fait pas appel à une API générative.", "refs": [[8, 1]]}, {"term": "erreur absolue", "aliases": [], "definition": "Valeur positive ou nulle |y−ŷ| de l’écart entre une observation et sa prédiction.", "refs": [[5, 4]]}, {"term": "classe majoritaire", "aliases": [], "definition": "Catégorie la plus fréquente dans un ensemble de référence, déterminée sur l’entraînement pour une baseline prédictive.", "refs": [[4, 7]]}, {"term": "convolution", "aliases": [], "definition": "Opération combinant localement des valeurs avec un filtre ; elle est utilisée dans certaines architectures pour traiter des structures comme les images.", "refs": [[7, 7]]}, {"term": "attention", "aliases": [], "definition": "Mécanisme qui combine des représentations avec des poids dépendant du contexte, notamment dans les transformeurs. Le terme ne signifie pas une attention consciente humaine.", "refs": [[7, 7]]}]</script>
<script>
const COURSES=JSON.parse(document.getElementById('course-data').textContent),TERMS=JSON.parse(document.getElementById('term-data').textContent);
const $=id=>document.getElementById(id),esc=v=>String(v).replace(/[&<>"']/g,c=>({'&':'&amp;','<':'&lt;','>':'&gt;','"':'&quot;',"'":'&#39;'}[c]));
const normalize=s=>String(s).trim()==='_'?'underscore':String(s).trim()==='-'?'tiret':String(s).toLowerCase().normalize('NFD').replace(/[\u0300-\u036f]/g,'').replace(/[œ]/g,'oe').replace(/[^a-z0-9]+/g,' ').trim().replace(/\s+/g,' ');
const stem=s=>s.length>4?s.replace(/s$/,''):s;const STOP=new Set('le la les de des du un une et ou au aux en a ce ces est sont que qui quoi quel quelle quels quelles comment pourquoi explique expliquer definition signifie veut dire donne donner moi mon ma mes avec pour dans il elle on se son sa ses ne pas difference entre qu c d l t'.split(' '));
const tokens=s=>[...new Set(normalize(s).split(' ').map(stem).filter(t=>t&&!STOP.has(t)))];
const aliased=new Map();TERMS.forEach((t,i)=>[t.term,...t.aliases].forEach(a=>{const k=normalize(a);if(!aliased.has(k))aliased.set(k,[]);if(!aliased.get(k).includes(i))aliased.get(k).push(i)}));
const extras={'random access memory':'RAM','central processing unit':'CPU','operating system':'OS','solid state drive':'SSD','intelligence artificielle':'IA','knn':'k-NN','k nearest neighbors':'k-NN','mean absolute error':'MAE','root mean squared error':'RMSE','principal component analysis':'ACP','analyse en composantes principales':'ACP','large language model':'LLM','retrieval augmented generation':'RAG','memoire a acces aleatoire':'RAM','materiel informatique':'matériel','software':'logiciel','hardware':'matériel','faux negatifs':'FN','faux positifs':'FP','vrais positifs':'VP','vrais negatifs':'VN','cpu processeur':'CPU'};
Object.entries(extras).forEach(([a,t])=>{const ix=aliased.get(normalize(t));if(ix)aliased.set(normalize(a),ix)});
// Exact aliases first. Phrase matching is boundary-aware, with longest expressions first.
function termMatches(query){let n=normalize(query);if(aliased.has(n))return aliased.get(n).map(i=>({i,score:1000,alias:n}));let qt=tokens(query),matches=[];for(const [alias,ids] of aliased){let at=tokens(alias);if(!at.length||alias.length<2)continue;let phrase=(' '+n+' ').includes(' '+alias+' '),all=at.every(t=>qt.includes(t));if(phrase||all)ids.forEach(i=>matches.push({i,score:(phrase?100:20)+at.length*12+alias.length/100,alias}));}matches.sort((a,b)=>b.score-a.score);let result=[],used=new Set();for(const m of matches){if(used.has(m.i))continue;if(result.some(x=>(' '+x.alias+' ').includes(' '+m.alias+' ')&&x.alias!==m.alias))continue;used.add(m.i);result.push(m)}return result.slice(0,6)}
function editDistance(a,b){if(Math.abs(a.length-b.length)>2)return 99;let prev=Array.from({length:b.length+1},(_,i)=>i);for(let i=1;i<=a.length;i++){let cur=[i];for(let j=1;j<=b.length;j++)cur[j]=Math.min(cur[j-1]+1,prev[j]+1,prev[j-1]+(a[i-1]===b[j-1]?0:1));prev=cur}return prev[b.length]}
function suggest(query){let n=normalize(query);if(n.length<3||n.length>45)return[];let out=[];for(const [a,ids] of aliased){if(a.length<3)continue;let d=editDistance(n,a);if(d<=(n.length>7?2:1))for(const i of ids)out.push({i,d})}let seen=new Set();return out.sort((a,b)=>a.d-b.d).filter(x=>!seen.has(x.i)&&seen.add(x.i)).slice(0,4)}
const INDEX=[];COURSES.forEach(c=>{c.chapters.forEach((h,j)=>INDEX.push({kind:'Chapitre',c:c.id,j,title:h.title,text:[h.definition,...h.paragraphs,h.example,h.pitfall,...h.terms].join(' ')}));c.exercises.forEach((e,j)=>INDEX.push({kind:'Exercice',c:c.id,j,title:e.title,text:[e.statement,...e.steps,e.result].join(' ')}));c.slides.forEach((t,j)=>INDEX.push({kind:'Diapositive',c:c.id,j,title:t,text:t}))});
function searchAll(query,filter=0){let ts=tokens(query);if(!ts.length)return[];let matches=termMatches(query),refs=new Set(matches.flatMap(m=>TERMS[m.i].refs.map(r=>r.join('-'))));return INDEX.filter(d=>!filter||d.c===filter).map(d=>{let title=tokens(d.title),text=tokens(d.text);let overlap=ts.filter(t=>text.includes(t)||title.includes(t)).length;let score=overlap/ts.length*5+ts.filter(t=>title.includes(t)).length*3+(d.kind==='Chapitre'&&refs.has(d.c+'-'+d.j)?5:0);return{...d,score:overlap||score>5?score:0}}).filter(d=>d.score>0).sort((a,b)=>b.score-a.score).slice(0,40)}
let state={view:'accueil',course:1,chapter:0,sub:'cours',slide:0};let progress=[];try{let p=JSON.parse(localStorage.getItem(('ul-progress-'+document.getElementById('ul-access').dataset.login))||'[]');if(Array.isArray(p))progress=[...new Set(p.filter(k=>/^[1-8]-[0-7]$/.test(k)))]}catch{}let picks={},graded={};
function store(){try{localStorage.setItem(('ul-progress-'+document.getElementById('ul-access').dataset.login),JSON.stringify(progress))}catch{}}
function btn(text,action,cls='btn secondary'){return `<button class="${cls}" ${action}>${esc(text)}</button>`}
function route(view,course=state.course,chapter=0,sub='cours',slide=0){let next={view,course:Number(course),chapter:Number(chapter),sub,slide:Number(slide)};if(!COURSES[next.course-1])next.course=1;if(next.chapter<0||next.chapter>7)next.chapter=0;if(next.slide<0||next.slide>14)next.slide=0;state=next;history.replaceState(null,'',view==='cours'?`#cours/${next.course}/${sub}/${next.chapter+1}/${next.slide+1}`:'#'+view);render();window.scrollTo({top:0,behavior:'instant'})}
function parseRoute(){let a=location.hash.slice(1).split('/');if(a[0]==='cours')route('cours',Number(a[1])||1,(Number(a[3])||1)-1,['cours','exercices','labo','slides','synthese'].includes(a[2])?a[2]:'cours',(Number(a[4])||1)-1);else route(['accueil','assistant','recherche','glossaire','methode'].includes(a[0])?a[0]:'accueil')}
window.addEventListener('hashchange',parseRoute);document.querySelectorAll('[data-view]').forEach(b=>b.onclick=()=>route(b.dataset.view));
function render(){document.body.setAttribute('data-page',state.view);$('coursebar').hidden=state.view!=='cours';document.querySelectorAll('[data-view]').forEach(b=>{b.classList.toggle('active',b.dataset.view===state.view);b.setAttribute('aria-current',b.dataset.view===state.view?'page':'false')});$('coursebar').innerHTML=COURSES.map(c=>`<button class="coursepill ${state.view==='cours'&&state.course===c.id?'active':''}" ${state.view==='cours'&&state.course===c.id?'aria-current="page"':''} onclick="route('cours',${c.id})">Cours ${c.id}</button>`).join('');if(state.view==='accueil')home();else if(state.view==='cours')courseView();else if(state.view==='assistant')assistantView();else if(state.view==='recherche')searchView();else if(state.view==='glossaire')glossView();else methodView()}
function ico(name,cls=''){const paths={book:'<path d="M4 4h6a3 3 0 0 1 2 1 3 3 0 0 1 2-1h6v15h-6a3 3 0 0 0-2 1 3 3 0 0 0-2-1H4z"/><path d="M12 5v15"/>',search:'<circle cx="10" cy="10" r="6"/><path d="m15 15 5 5"/>',chat:'<path d="M4 4h16v12H9l-5 4z"/><path d="M8 8h8M8 12h5"/>',lab:'<path d="M9 3h6M10 3v7L4 20h16l-6-10V3M7 15h10"/>',check:'<circle cx="12" cy="12" r="9"/><path d="m8 12 3 3 5-6"/>',play:'<path d="m8 4 12 8-12 8z"/>',grid:'<rect x="3" y="3" width="7" height="7" rx="1"/><rect x="14" y="3" width="7" height="7" rx="1"/><rect x="3" y="14" width="7" height="7" rx="1"/><rect x="14" y="14" width="7" height="7" rx="1"/>',arrow:'<path d="M5 12h14m-6-6 6 6-6 6"/>',file:'<path d="M6 3h8l4 4v14H6zM14 3v5h4M9 12h6M9 16h6"/>',home:'<path d="m3 10 9-7 9 7M6 9v12h12V9"/>',shield:'<path d="m12 3 8 3v6c0 5-8 9-8 9s-8-4-8-9V6z"/><path d="m8 11 3 3 5-5"/>',info:'<circle cx="12" cy="12" r="9"/><path d="M12 11v6M12 7v1"/>',share:'<circle cx="18" cy="4" r="3"/><circle cx="5" cy="12" r="3"/><circle cx="18" cy="20" r="3"/><path d="m8 10 7-4M8 14l7 4"/>',download:'<path d="M12 3v12m-5-5 5 5 5-5M4 16v5h16v-5"/>'};return `<svg class="ic ${cls}" viewBox="0 0 24 24" aria-hidden="true" fill="none" stroke="currentColor" stroke-width="1.8" stroke-linecap="round" stroke-linejoin="round">${paths[name]||paths.book}</svg>`}
function home(){let done=progress.length,next=COURSES.flatMap(c=>c.chapters.map((h,j)=>({c:c.id,j}))).find(x=>!progress.includes(x.c+'-'+x.j))||{c:1,j:0};$('view').innerHTML=`<section class="hwhero"><svg class="contours" viewBox="0 0 1400 700" preserveAspectRatio="none" aria-hidden="true">${Array.from({length:11},(_,i)=>`<path d="M${-250+i*28},${690+i*22} C${150+i*24},${420+i*16} ${470+i*10},${770-i*20} ${850+i*20},${270-i*14} S${1250+i*26},${-120+i*20} 1550,${260+i*20}"/>`).join('')}</svg><div class="hwhero-inner"><div><span class="eyebrow">UNIVERSITÉ DE LABÉ · LICENCE 1 · 2026–2027</span><h2>L’informatique et l’IA,<br>des bases à la pratique</h2><div class="hero-authors"><i></i>Dr Ibrahima Diouf, Mme Mariama Diallo & M. Alpha Oumar Bah</div><p class="hsub">Un module complet en huit cours pour comprendre l’ordinateur, résoudre des problèmes et apprendre les principes de l’intelligence artificielle. Des notions développées, des exemples expliqués et des exercices pour progresser.</p><div class="hchips">${[['8 cours développés',"route('cours',1)"],['Laboratoires interactifs',"route('cours',1,0,'labo')"],['120 diapositives',"route('cours',1,0,'slides')"],['Assistant de notions',"route('assistant')"]].map(([t,a])=>`<button onclick="${a}">${t}</button>`).join('')}</div><div class="hacts"><button class="hbtn" onclick="route('cours',${next.c},${next.j})">${ico('play')} ${done?'Reprendre mon parcours':'Commencer le cours 1'}</button><button class="hbtn" onclick="startTour()">${ico('grid')} Visite guidée</button><button class="hbtn" onclick="shareModule()">${ico('share')} Partager</button></div><p id="share-status" class="hstatus" aria-live="polite"></p></div><aside class="hwstatus"><span class="eyebrow">MON PARCOURS D’APPRENTISSAGE</span><div class="status-title"><span>${ico('check')}</span><strong>${done===64?'Parcours étudié':done?'En progression':'Prêt à explorer'}</strong></div><div class="status-badges"><span>${ico('book')} 8 cours</span><span>${ico('lab')} 10 ateliers</span><span>${ico('check')} 40 QCM</span></div><div class="progress"><span style="width:${done/64*100}%"></span></div><p class="muted status-next">Prochaine étape : cours ${next.c}, chapitre ${next.j+1}.<br>Progression conservée uniquement dans ce navigateur.</p></aside></div></section><section class="home-search card"><div class="heading-row">${ico('search')}<h2>Ma notion</h2></div><p class="muted">Un mot, un sigle ou un sujet à revoir ? Retrouvez sa définition et les explications dans les huit cours.</p><form class="query" id="home-search-form"><label class="sr" for="home-query">Notion à rechercher</label><input id="home-query" list="home-terms" placeholder="Votre notion, ex. RAM, algorithme, k-means, rappel…" maxlength="300"><button class="btn" type="submit">${ico('search')} Rechercher</button></form><datalist id="home-terms">${TERMS.map(t=>`<option value="${esc(t.term)}"></option>`).join('')}</datalist><div class="home-suggestions">${['RAM','Fuite de données','Précision et rappel','Rétropropagation'].map(t=>`<button data-term="${esc(t)}" onclick="openTerm(this.dataset.term)">${esc(t)} ${ico('arrow')}</button>`).join('')}</div></section><div class="home-body"><div class="stats"><div><span>PARCOURS STRUCTURÉ</span><strong>8 cours</strong><small>64 chapitres développés</small></div><div><span>PRATIQUE ET ÉVALUATION</span><strong>32 exercices</strong><small>Corrigés, 40 QCM et 10 ateliers</small></div><div><span>VOCABULAIRE EXPLIQUÉ</span><strong>${TERMS.length} définitions</strong><small>Sigles, synonymes et renvois</small></div><div><span>SUPPORTS FOURNIS</span><strong>120 slides</strong><small>15 diapositives par cours</small></div></div><div class="sectionhead"><div><span class="secnum">01</span><h2>${ico('book')} Les huit cours du module</h2></div><p class="muted">Une progression des fondamentaux aux usages responsables</p></div><div class="grid curriculum">${COURSES.map(c=>{let n=progress.filter(k=>k.startsWith(c.id+'-')).length;return `<article class="course-card"><div class="course-heading"><span class="course-number">${String(c.id).padStart(2,'0')}</span><div><span class="eyebrow">Cours ${c.id} · Licence 1</span><h3>${esc(c.title)}</h3></div></div><p>${esc(c.intro)}</p><div class="course-tags"><span>8 chapitres</span><span>4 exercices corrigés</span><span>15 diapositives</span></div><div class="course-card-footer"><span>${n}/8 étudiés</span><button class="btn" onclick="route('cours',${c.id})">Ouvrir le cours ${ico('arrow')}</button></div></article>`}).join('')}</div><div class="sectionhead"><div><span class="secnum">02</span><h2>${ico('grid')} Une méthode pour comprendre</h2></div></div><div class="method-steps">${[['01','Définir','Développer les sigles et préciser le sens de chaque terme.'],['02','Comprendre','Lire l’explication et suivre un exemple de bout en bout.'],['03','Appliquer','Résoudre l’exercice ou manipuler dans le laboratoire.'],['04','Vérifier','Comparer au corrigé, tester les limites et justifier la réponse.']].map(([n,t,d])=>`<article><span>${n}</span><h3>${t}</h3><p>${d}</p></article>`).join('')}</div><div class="sectionhead"><div><span class="secnum">03</span><h2>${ico('home')} Accès rapide</h2></div></div><div class="quick-grid">${[['book','Cours développés','Les huit cours, chapitre par chapitre',"route('cours',1)"],['lab','Laboratoires','Calculs et manipulations expliqués',"route('cours',5,0,'labo')"],['check','Exercices & QCM','S’entraîner puis consulter la correction',"route('cours',1,0,'exercices')"],['chat','Assistant de notions','Définitions du module et renvois précis',"route('assistant')"],['search','Recherche transversale','Chercher dans tous les cours et corrigés',"route('recherche')"],['shield','Méthode & ressources','Supports, sources, données fictives et limites',"route('methode')"]].map(([i,t,d,a])=>`<button onclick="${a}"><strong>${ico(i)} ${t}</strong><span>${d}</span></button>`).join('')}</div><div class="download-panel"><h3>Mes documents pédagogiques</h3><p>Les téléchargements sont soumis aux droits attribués par votre enseignant.</p><button class="btn" onclick="requestULDownload('/api/download/module.pdf')">Télécharger le module en PDF</button><button class="btn secondary" onclick="installUL()">Installer l’application</button><p id="install-status" role="status"></p></div><p class="home-footnote">Support pédagogique de Licence 1. Tous les exemples d’étudiants et de données sont fictifs. Les résultats ne sont pas transmis aux enseignants.</p></div>`;$('home-search-form').onsubmit=e=>{e.preventDefault();const q=$('home-query').value.trim();if(!q){$('home-query').focus();return}route('recherche');$('searchq').value=q;doSearch()}}
let tourStep=0;const TOUR=[['Bienvenue dans le module','Huit cours suivent une progression des bases de l’informatique à l’IA générative. Chaque cours comporte un texte développé, des exercices, un laboratoire et les diapositives.',"route('accueil')"],['Lire un chapitre','La définition ouvre le chapitre. Les explications, l’exemple et le point de vigilance développent la notion. Les termes ouvrent l’Assistant.',"route('cours',1,3)"],['Appliquer et vérifier','Écrire le raisonnement avant d’ouvrir le corrigé. Les QCM sont formatifs et leurs résultats restent dans la page.',"route('cours',5,0,'exercices')"],['Manipuler dans le laboratoire','Modifier des valeurs, examiner les étapes et comparer les résultats. Les entrées invalides et divisions par zéro sont signalées.',"route('cours',5,0,'labo')"],['Retrouver une définition','L’Assistant définit les termes du module et renvoie aux chapitres. Il ne génère pas librement une réponse et signale les notions non reconnues.',"route('assistant')"]];
function startTour(){tourStep=0;showTour()}function showTour(){const t=TOUR[tourStep];if(tourStep===0)route('accueil');else if(tourStep===1)route('cours',1,3);else if(tourStep===2)route('cours',5,0,'exercices');else if(tourStep===3)route('cours',5,0,'labo');else route('assistant');let panel=$('guided-tour');if(!panel){panel=document.createElement('section');panel.id='guided-tour';panel.setAttribute('aria-label','Visite guidée');document.body.appendChild(panel)}panel.innerHTML=`<div><span class="eyebrow">VISITE GUIDÉE · ${tourStep+1} / ${TOUR.length}</span><h3>${esc(t[0])}</h3><p>${esc(t[1])}</p><div class="actions"><button class="btn secondary" onclick="endTour()">Fermer</button><button class="btn secondary" onclick="tourStep--;showTour()" ${tourStep===0?'disabled':''}>Précédent</button><button class="btn" onclick="${tourStep<TOUR.length-1?'tourStep++;showTour()':'endTour()'}">${tourStep<TOUR.length-1?'Suivant':'Terminer'}</button></div></div>`;document.body.classList.add('touring')}
function endTour(){const p=$('guided-tour');if(p)p.remove();document.body.classList.remove('touring')}
async function shareModule(){const el=$('share-status');if(location.protocol==='file:'){el.textContent='Version locale : transmettez le ZIP complet ou le lien de votre Space une fois publié.';return}const url=location.href.split('#')[0];try{if(navigator.share)await navigator.share({title:'Informatique & IA · Université de Labé',url});else{await navigator.clipboard.writeText(url);el.textContent='Lien copié. Si la plateforme est privée, les destinataires doivent disposer d’un accès.'}}catch(e){el.textContent=e.name==='AbortError'?'Partage annulé.':'Copiez le lien dans la barre d’adresse pour le partager.'}}

function courseView(){let c=COURSES[state.course-1];$('view').innerHTML=`<div class="sectionhead"><div><span class="eyebrow">Cours ${c.id} / 8</span><h2>${esc(c.title)}</h2><p>${esc(c.intro)}</p></div><div class="controls">${btn('Télécharger le PDF',`onclick="requestULDownload('/api/download/course/${c.id}.pdf')"`)}<a class="btn secondary" href="cours-${String(c.id).padStart(2,'0')}.md" download>Télécharger le texte</a></div></div><nav class="subnav" aria-label="Rubriques du cours">${[['cours','Cours développé'],['exercices','Exercices & QCM'],['labo','Laboratoire'],['slides','Diapositives'],['synthese','Objectifs & synthèse']].map(([id,t])=>`<button class="${id===state.sub?'active':''}" ${id===state.sub?'aria-current="page"':''} onclick="route('cours',${c.id},${state.chapter},'${id}')">${t}</button>`).join('')}</nav><div id="coursebody"></div>`;if(state.sub==='cours')reader(c);else if(state.sub==='exercices')exercises(c);else if(state.sub==='labo')lab(c);else if(state.sub==='slides')slides(c);else synthesis(c)}
function chapterHTML(c,j,printing=false){let h=c.chapters[j];return`<span class="eyebrow">Cours ${c.id} · Chapitre ${j+1} / 8</span><h2>${esc(h.title)}</h2><p class="definition">${esc(h.definition)}</p><h3>Comprendre la notion</h3>${h.paragraphs.map(p=>`<p>${esc(p)}</p>`).join('')}${h.table?table(h.table.heads,h.table.rows):''}${h.code?'<h4>Méthode structurée</h4><pre>'+esc(h.code)+'</pre>':''}<div class="example"><strong>Exemple expliqué</strong><p>${esc(h.example)}</p></div><div class="pitfall"><strong>Point de vigilance</strong><p>${esc(h.pitfall)}</p></div>${printing?'':`<h4>Vocabulaire à maîtriser</h4><div class="chips">${h.terms.map(t=>btn(t,`data-term="${esc(t)}" onclick="openTerm(this.dataset.term)"`,'chip')).join('')}</div><p class="reading">Lien avec le support fourni : diapositives ${h.slides.join(', ')}. ${btn('Consulter',`onclick="route('cours',${c.id},${j},'slides',${h.slides[0]-1})"`,'btn secondary small')}</p>`}`}
function reader(c){let j=state.chapter,h=c.chapters[j],key=c.id+'-'+j;$('coursebody').innerHTML=`<label class="field mobile-chooser">Choisir un chapitre<select onchange="route('cours',${c.id},Number(this.value))">${c.chapters.map((h,i)=>`<option value="${i}" ${i===j?'selected':''}>Chapitre ${i+1} · ${esc(h.title)}</option>`).join('')}</select></label><div class="reader"><aside class="toc" aria-label="Chapitres du cours">${c.chapters.map((h,i)=>`<button class="${i===j?'active':''}" ${i===j?'aria-current="page"':''} onclick="route('cours',${c.id},${i})">${progress.includes(c.id+'-'+i)?'✓':String(i+1).padStart(2,'0')} · ${esc(h.title)}</button>`).join('')}</aside><article class="article">${chapterHTML(c,j)}<div class="chapterfooter">${btn(progress.includes(key)?'✓ Étudié · retirer':'Marquer comme étudié',"onclick=\"toggleStudied()\"")}${btn(j<7?'Chapitre suivant':'Passer aux exercices',j<7?`onclick="route('cours',${c.id},${j+1})"`:`onclick="route('cours',${c.id},0,'exercices')"`,'btn')}</div></article></div>`}
function toggleStudied(){let k=state.course+'-'+state.chapter;progress=progress.includes(k)?progress.filter(v=>v!==k):[...progress,k];store();reader(COURSES[state.course-1])}
function synthesis(c){$('coursebody').innerHTML=`<div class="grid"><article class="card"><h3>Objectifs du cours</h3><ul>${c.objectives.map(o=>`<li>${esc(o)}</li>`).join('')}</ul><h4>Prérequis</h4><p>${esc(c.prereq)}</p></article><article class="card"><h3>Travail personnel</h3><p>${esc(c.homework)}</p><p class="muted">Vérifiez vos exemples et justifiez votre raisonnement. Les règles d’évaluation réelles relèvent des enseignants.</p></article><article class="card"><h3>Les huit idées à retenir</h3><ol>${c.chapters.map(h=>`<li><strong>${esc(h.title)}</strong><br>${esc(h.definition)}</li>`).join('')}</ol></article><article class="card"><h3>Comment étudier ce cours</h3><ol><li>Vérifier les prérequis et lire les chapitres dans l’ordre.</li><li>Ouvrir les définitions des termes que vous ne connaissez pas.</li><li>Refaire les exemples sans consulter le résultat.</li><li>Écrire votre solution avant d’ouvrir le corrigé.</li><li>Comparer avec le support et noter les questions restantes.</li></ol><p>Sans ordinateur, les 4 exercices guidés sont réalisables sur papier. Les laboratoires fournissent une vérification complémentaire.</p></article></div>`}
function exercises(c){$('coursebody').innerHTML=`<div class="sectionhead"><div><h3>Quatre exercices pratiques</h3><p>Rédigez la démarche sur papier ou dans la zone de brouillon avant de consulter les corrections.</p></div></div><div class="grid">${c.exercises.map((e,i)=>`<article class="card"><span class="eyebrow">Exercice ${i+1}</span><h3 style="margin-top:10px">${esc(e.title)}</h3><p>${esc(e.statement)}</p><label class="field">Votre raisonnement (non conservé)<textarea placeholder="Écrire les étapes et le résultat…"></textarea></label><details><summary>Voir le corrigé expliqué</summary><ol>${e.steps.map(x=>`<li>${esc(x)}</li>`).join('')}</ol><div class="example"><strong>Résultat et interprétation</strong><p>${esc(e.result)}</p></div></details></article>`).join('')}</div><h3 style="margin-top:35px">Autoévaluation · 5 questions</h3><p class="muted">2 points par réponse correcte. Les réponses restent dans la page et ne sont pas transmises.</p><div id="quiz"></div><div class="actions">${btn('Corriger le QCM',"onclick=\"gradeQuiz()\"",'btn')}${btn('Recommencer',"onclick=\"resetQuiz()\"")}</div><div id="quizresult" aria-live="polite"></div>`;drawQuiz(c)}
function drawQuiz(c){let p=picks[c.id]||{};$('quiz').innerHTML=c.quiz.map((q,i)=>`<article class="question"><strong>${i+1}. ${esc(q.question)}</strong><div class="options">${q.answers.map((a,j)=>`<button class="option ${p[i]===j?'selected':''}" aria-pressed="${p[i]===j}" onclick="pick(${i},${j})">${esc(a)}</button>`).join('')}</div><div class="feedback" id="feedback-${i}"></div></article>`).join('');if(graded[c.id])gradeQuiz()}
function pick(i,j){(picks[state.course]??={})[i]=j;graded[state.course]=false;drawQuiz(COURSES[state.course-1]);$('quizresult').textContent=''}
function gradeQuiz(){let c=COURSES[state.course-1],p=picks[c.id]||{},score=0;c.quiz.forEach((q,i)=>{let ok=p[i]===q.correct;if(ok)score+=2;$('feedback-'+i).innerHTML=`<span class="${ok?'good':'bad'}">${ok?'Correct.':p[i]===undefined?'Sans réponse.':'À revoir.'}</span> ${esc(q.why)}`});graded[c.id]=true;$('quizresult').innerHTML=`<p class="score">${score} / 10</p><p>Résultat formatif de cette tentative. Revoyez les explications des réponses à revoir.</p>`;return score}
function resetQuiz(){picks[state.course]={};graded[state.course]=false;drawQuiz(COURSES[state.course-1]);$('quizresult').textContent=''}
function slides(c){let i=state.slide;$('coursebody').innerHTML=`<label class="field mobile-chooser">Choisir une diapositive<select onchange="route('cours',${c.id},${state.chapter},'slides',Number(this.value))">${c.slides.map((t,j)=>`<option value="${j}" ${j===i?'selected':''}>${j+1} / 15 · ${esc(t)}</option>`).join('')}</select></label><div class="reader"><aside class="toc" aria-label="Diapositives du support">${c.slides.map((t,j)=>`<button class="${i===j?'active':''}" onclick="route('cours',${c.id},${state.chapter},'slides',${j})">${String(j+1).padStart(2,'0')} · ${esc(t)}</button>`).join('')}</aside><div><div class="slidetool">${btn('Précédente',`onclick="route('cours',${c.id},${state.chapter},'slides',${Math.max(0,i-1)})" ${i===0?'disabled':''}`)}<strong>${i+1} / 15 · ${esc(c.slides[i])}</strong>${btn('Suivante',`onclick="route('cours',${c.id},${state.chapter},'slides',${Math.min(14,i+1)})" ${i===14?'disabled':''}`)}</div><a href="c${c.id}-${String(i+1).padStart(2,'0')}.svg" target="_blank" rel="noopener" aria-label="Agrandir la diapositive ${i+1}"><img class="slide" src="c${c.id}-${String(i+1).padStart(2,'0')}.svg" alt="Support original du cours ${c.id}, diapositive ${i+1} : ${esc(c.slides[i])}"></a><p><a class="btn" href="cours-${String(c.id).padStart(2,'0')}.pptx" download>PowerPoint original (enseignant)</a></p><p class="reading">Diapositive issue du PowerPoint fourni, avec les masques et logos de votre fichier. Le texte développé et les précisions scientifiques se trouvent dans « Cours développé ». Cliquez sur l’image pour l’agrandir.</p></div></div>`}
function termCard(t,i){return`<article class="card resultitem"><span class="eyebrow">Définition du module</span><h3 style="margin-top:10px">${esc(t.term)}</h3>${t.aliases.length?`<p class="reading">Autres termes : ${t.aliases.map(esc).join(', ')}</p>`:''}<p>${esc(t.definition)}</p><div class="chips">${t.refs.slice(0,4).map(([c,j])=>btn('Cours '+c+' · Chapitre '+(j+1),`onclick="route('cours',${c},${j})"`,'chip')).join('')}</div></article>`}
let pendingTerm='';function openTerm(t){pendingTerm=t;route('assistant');$('assistq').value=t;answer(t)}
function assistantView(){$('view').innerHTML=`<div class="sectionhead"><div><span class="eyebrow">Assistant documentaire · tout le module</span><h2>Une notion, une définition, un chapitre</h2><p>${TERMS.length} définitions préparées, avec synonymes, sigles développés et renvois vers les explications.</p></div><span class="badge">Local · sans génération libre</span></div><div class="termlayout"><div><form class="query" id="assistantform"><label class="sr" for="assistq">Question ou terme à définir</label><input id="assistq" list="term-options" maxlength="400" placeholder="Ex. RAM, faux négatif, k-means, rétropropagation…"><button class="btn" type="submit">Rechercher une définition</button></form><datalist id="term-options">${TERMS.map(t=>`<option value="${esc(t.term)}"></option>`).join('')}</datalist><div class="chips">${['Que signifie RAM ?','Quelle différence entre RAM et stockage ?','Fuite de données','Précision et rappel','k-NN et k-means','Rétropropagation','Biais','Jeton','Quel est le meilleur outil ?'].map(t=>btn(t,`data-question="${esc(t)}" onclick="$('assistq').value=this.dataset.question;answer(this.dataset.question)"`,'chip')).join('')}</div><div id="assistantresult" aria-live="polite"><div class="card empty">Saisissez un terme, un sigle ou une question sur les huit cours.</div></div></div><aside class="card"><h3>Un périmètre explicite</h3><p>Les réponses sont rédigées à l’avance. L’assistant définit les termes et retrouve les chapitres ; il ne calcule pas une réponse personnalisée et ne consulte pas Internet.</p><p>Un terme ambigu appelle une précision. Une faute proche peut proposer un terme à confirmer. Une demande absente du corpus n’entraîne pas de définition inventée.</p><p class="reading">Les questions ne sont pas envoyées à une API par cette page.</p></aside></div>`;$('assistantform').onsubmit=e=>{e.preventDefault();answer($('assistq').value)}}
function answer(query){let n=normalize(query),out=$('assistantresult');if(!n){out.textContent='Saisissez une notion du module.';return[]}if(n.includes('meilleur outil'))query='outil';let m=termMatches(query);if(m.length){out.innerHTML=`<p class="count">${m.length===1?'Notion retrouvée':'Plusieurs notions repérées : comparer leurs définitions'}. Ce résultat porte sur le vocabulaire du module et ne répond pas librement à toute la question.</p>`+m.map(x=>termCard(TERMS[x.i],x.i)).join('');let ch=searchAll(query).filter(x=>x.kind==='Chapitre').slice(0,3);if(ch.length)out.innerHTML+='<h3>Pour approfondir</h3>'+ch.map(resultCard).join('');return m}let sug=suggest(query);if(sug.length){out.innerHTML='<div class="card"><h3>Vouliez-vous dire… ?</h3><p>Confirmez le terme proposé avant de lire sa définition.</p><div class="chips">'+sug.map(x=>btn(TERMS[x.i].term,`onclick="openTerm('${esc(TERMS[x.i].term).replace(/'/g,'&#39;')}')"`,'chip')).join('')+'</div></div>';return[]}let r=searchAll(query);out.innerHTML=`<div class="card"><h3>Aucune définition exacte reconnue</h3><p>Précisez le terme ou utilisez un synonyme du cours. L’assistant ne fabrique pas de réponse pour une notion absente du module.</p></div>`+(r.length?'<h3 style="margin-top:25px">Passages éventuellement utiles</h3>'+r.slice(0,6).map(resultCard).join(''):'');return[]}
function resultCard(d){return`<article class="card resultitem"><span class="badge">${d.kind} · Cours ${d.c}</span><h3 style="margin-top:12px">${esc(d.title)}</h3><p class="muted">${esc(d.text.slice(0,230))}${d.text.length>230?'…':''}</p>${btn('Consulter',`onclick="route('cours',${d.c},${d.kind==='Chapitre'?d.j:0},'${d.kind==='Exercice'?'exercices':d.kind==='Diapositive'?'slides':'cours'}',${d.kind==='Diapositive'?d.j:0})"`,'btn secondary small')}</article>`}
function searchView(){$('view').innerHTML=`<div class="sectionhead"><div><span class="eyebrow">Recherche transversale</span><h2>Rechercher dans tout le module</h2><p>Définitions, explications, exemples, exercices corrigés et titres des diapositives.</p></div></div><form id="searchform"><div class="query"><label class="sr" for="searchq">Mots-clés</label><input id="searchq" placeholder="Ex. moyenne pondérée, confidentialité, standardisation" maxlength="300"><button class="btn">Rechercher</button></div><label class="field" style="max-width:380px">Périmètre<select id="searchscope"><option value="0">Tous les cours</option>${COURSES.map(c=>`<option value="${c.id}">Cours ${c.id} · ${esc(c.title)}</option>`).join('')}</select></label></form><div id="searchresults" aria-live="polite"><div class="notice">Les images des diapositives ne sont pas recherchées mot à mot : leurs thèmes sont indexés. Les textes développés et les corrigés sont recherchés intégralement.</div></div>`;$('searchform').onsubmit=e=>{e.preventDefault();doSearch()};$('searchscope').onchange=doSearch}
function doSearch(){let query=$('searchq').value,filter=Number($('searchscope').value),m=termMatches(query).filter(x=>!filter||TERMS[x.i].refs.some(r=>r[0]===filter)),r=searchAll(query,filter);$('searchresults').innerHTML=`<p class="count">${m.length} définition(s) proposée(s) · ${r.length} résultat(s) de contenu, au maximum 40.</p>`+m.slice(0,4).map(x=>termCard(TERMS[x.i],x.i)).join('')+r.map(resultCard).join('')+(!r.length&&!m.length?'<div class="card"><h3>Aucun résultat</h3><p>Essayez un terme plus court ou un synonyme. La recherche accepte les accents et certains pluriels.</p></div>':'')}
function glossView(){$('view').innerHTML=`<div class="sectionhead"><div><span class="eyebrow">Vocabulaire vérifiable</span><h2>Glossaire · ${TERMS.length} définitions</h2><p>Ouvrir une notion pour accéder au chapitre qui la développe.</p></div></div><label class="field">Filtrer les termes et leurs définitions<input id="glossq" type="search" placeholder="Ex. RAM, entraînement, seuil" oninput="filterGloss()"></label><p class="count" id="glosscount"></p><div id="glosslist" class="grid"></div>`;filterGloss()}
function filterGloss(){let n=normalize($('glossq').value),ts=tokens(n);let selected=TERMS.map((t,i)=>({t,i})).filter(({t})=>!n||[t.term,...t.aliases].some(a=>normalize(a).includes(n))||ts.length&&ts.every(x=>tokens(t.definition).includes(x)));$('glosscount').textContent=selected.length+' définition(s)';$('glosslist').innerHTML=selected.map(({t,i})=>termCard(t,i)).join('')}
function printCourse(){let c=COURSES[state.course-1];$('print-root').innerHTML=`<h1>Université de Labé · Informatique et IA</h1><p>Licence 1 · 2026–2027<br>Dr Ibrahima Diouf, Mme Mariama Diallo & M. Alpha Oumar Bah</p><h2>Cours ${c.id} : ${esc(c.title)}</h2>`+c.chapters.map((h,j)=>`<section class="printchapter">${chapterHTML(c,j,true)}</section>`).join('')+`<section class="printchapter"><h2>Exercices corrigés</h2>${c.exercises.map(e=>`<h3>${esc(e.title)}</h3><p>${esc(e.statement)}</p><ol>${e.steps.map(s=>`<li>${esc(s)}</li>`).join('')}</ol><p><strong>${esc(e.result)}</strong></p>`).join('')}<h3>Travail personnel</h3><p>${esc(c.homework)}</p></section>`;window.print()}
function methodView(){$('view').innerHTML=`<div class="sectionhead"><div><span class="eyebrow">Méthode et transparence</span><h2>Utiliser et vérifier la plateforme</h2><p>Un support développé à partir des huit présentations fournies, avec compléments pédagogiques explicités.</p></div></div><div class="grid"><article class="card"><h3>Organisation</h3><p>8 cours, chacun avec 8 chapitres, 4 exercices corrigés, 5 QCM et un laboratoire. Les 15 images de contenu de chaque présentation sont consultables dans « Diapositives ».</p><p>La numérotation des chapitres organise la plateforme ; elle ne prétend pas reproduire un découpage officiel absent des diaporamas.</p><p>Les explications sont une rédaction développée. Les renvois de chapitres indiquent les diapositives correspondantes, pas une citation mot à mot.</p></article><article class="card"><h3>Nuances scientifiques retenues</h3><ul><li>L’IA peut utiliser des règles ; tout apprentissage ne demande pas des données massives.</li><li>Un score n’est pas automatiquement une probabilité calibrée.</li><li>Un identifiant peut porter des corrélations artificielles ; son usage prédictif ne se justifie pas par défaut.</li><li>Un écart entraînement/test n’identifie pas seul une cause.</li><li>Un modèle de langage ne choisit pas toujours le jeton le plus probable.</li><li>Les groupes et la variance de l’ACP ne prouvent ni causalité ni utilité d’une décision.</li></ul></article><article class="card"><h3>Assistant, recherche et données</h3><p>Correspondance de termes, alias et mots-clés. Les fautes proches font l’objet de suggestions à confirmer. Aucun modèle génératif ni clé API.</p><p>Les questions, brouillons et réponses QCM ne sont pas transmis par le code applicatif. La progression seule peut être enregistrée dans le navigateur. Les brouillons sont perdus au changement de rubrique.</p><p>L’hébergeur peut traiter des données techniques selon ses propres conditions. Les liens externes nécessitent Internet.</p>${btn('Réinitialiser la progression',"onclick=\"progress=[];store();$('resetmsg').textContent='Progression réinitialisée.'\"")}<p id="resetmsg" aria-live="polite"></p></article><article class="card"><h3>Ressources et fichiers</h3><p><a class="btn" href="/api/download/module.pdf" download="module-complet.pdf" onclick="if(location.protocol==='file:'){event.preventDefault();alert('Vous utilisez déjà la copie locale de la plateforme.')}">Télécharger le module en PDF nominatif</a></p><p><a href="donnees_README.md">Jeux de données fictifs pour les TD</a></p><p><a href="guide-enseignant.md" download>Guide enseignant du module</a><br><a href="correspondance-slides.md" download>Table de correspondance aux diapositives</a><br><a href="references.md" download>Références et lectures complémentaires</a></p><p class="reading">Les diapositives proviennent des huit présentations fournies, avec leurs logos. Les PowerPoint modifiables sont réservés à l’administrateur. Les PDF autorisés sont nominatifs.</p></article></div>`}
function field(id,label,value='',type='text',attrs=''){return`<label class="field">${esc(label)}<input id="${id}" type="${type}" value="${esc(value)}" ${attrs}></label>`}
function tool(title,body,action,id='labresult'){return`<article class="card"><h3>${title}</h3>${body}<div class="actions">${btn('Exécuter et expliquer',`onclick="${action}"`,'btn')}</div><div class="result" id="${id}" aria-live="polite">Lancez le calcul pour voir les étapes.</div></article>`}
function lab(c){let html='<div class="notice">Laboratoire pédagogique : valeurs fictives et traitement local. Écrivez d’abord votre prédiction. Les résultats ne sont pas enregistrés dans un fichier.</div>';
if(c.id===1)html+=tool('Moyenne pondérée et contrôle des entrées','<p>Liste de notes entre 0 et 20. Séparer les valeurs par des points-virgules ; une virgule peut servir de séparateur décimal. Un coefficient par note, tous non négatifs.</p>'+field('mean-notes','Notes','10; 14; 15')+field('mean-weights','Coefficients (vide = tous égaux à 1)','1; 2; 1'),'runMean()');
if(c.id===2)html+=`<article class="card"><h3>Reconnaître une tâche d’IA</h3><p id="taskprompt">Prévoir la durée d’un trajet en minutes.</p><label class="field">Situation<select id="taskcase" onchange="taskChange()"><option value="0">Prévoir une durée</option><option value="1">Attribuer un type de document</option><option value="2">Rapprocher des articles sans catégories</option><option value="3">Produire un résumé</option></select></label><label class="field">Votre réponse<select id="taskchoice"><option value="classification">Classification</option><option value="regression">Régression</option><option value="clustering">Regroupement</option><option value="generation">Génération</option></select></label>${btn('Vérifier et justifier',"onclick=\"runTask()\"",'btn')}<div class="result" id="labresult" aria-live="polite"></div></article>`;
if(c.id===3)html+=tool('Recherche et trace d’exécution','<p>Saisir une liste numérique (maximum 200 valeurs). La dichotomie exige un ordre croissant et ne trie pas silencieusement votre liste.</p>'+field('search-array','Valeurs séparées par points-virgules','1; 3; 5; 8; 10')+field('search-target','Valeur cherchée','8','number','step="any"')+'<label class="field">Méthode<select id="searchmethod"><option value="linear">Recherche linéaire</option><option value="binary">Recherche dichotomique</option></select></label>','runTrace()');
if(c.id===4)html+=tool('Standardiser une valeur sans apprendre sur le test','<p>La moyenne et l’écart-type sont supposés déjà estimés sur l’entraînement. L’atelier applique ces paramètres, sans les réestimer.</p><div class="fields">'+field('stdx','Valeur x','14','number','step="any"')+field('stdmu','Moyenne μ','10','number','step="any"')+field('stdsigma','Écart-type σ (>0)','2','number','step="any"')+'</div>','runStd()');
if(c.id===5){html+='<div class="grid">'+tool('Matrice de confusion binaire','<p>Réalité en lignes, prédiction en colonnes. Définir au préalable la classe positive. Saisir des effectifs entiers non négatifs.</p><div class="fields">'+field('vp','Vrais positifs VP','8','number','min="0" step="1"')+field('fn','Faux négatifs FN','4','number','min="0" step="1"')+field('fp','Faux positifs FP','2','number','min="0" step="1"')+field('vn','Vrais négatifs VN','6','number','min="0" step="1"')+'</div>','runConfusion()','confresult')+tool('MAE et RMSE','<p>Même nombre de valeurs observées et prédites. Séparer par points-virgules. Résidu = observé − prédit.</p>'+field('observed','Valeurs observées','8; 12; 16')+field('predicted','Valeurs prédites','10; 11; 13'),'runErrors()','errorresult')+'</div>'}
if(c.id===6)html+=tool('k-means en une dimension','<p>Choisissez les points et les centres initiaux (2 à 20 centres). En cas d’égalité de distance, l’indice de centre le plus petit l’emporte. Un groupe vide conserve son centre, avec signalement.</p>'+field('kmdata','Points (points-virgules, maximum 200)','0; 2; 10; 12')+field('kmcenters','Centres initiaux','0; 12')+'<label class="field">Nombre d’étapes<select id="kmsteps"><option value="1">Une itération expliquée</option><option value="50">Jusqu’à stabilisation (50 itérations maximum)</option></select></label>','runKmeans()');
if(c.id===7)html+='<div class="grid">'+tool('Calculer un neurone','<p>Un poids par entrée. z = somme des produits + biais ; a = activation(z).</p>'+field('nx','Entrées x','3')+field('nw','Poids w','-2')+field('nb','Biais b','1','number','step="any"')+'<label class="field">Activation<select id="activation"><option value="relu">ReLU</option><option value="sigmoid">Sigmoïde</option><option value="linear">Identité (sans non-linéarité)</option></select></label>','runNeuron()','neuronresult')+tool('Compter un réseau dense simple','<p>Une couche cachée et une sortie dense. Un biais par unité hors entrée.</p><div class="fields">'+field('param-in','Entrées p','4','number','min="1" step="1"')+field('param-hidden','Unités cachées m','3','number','min="1" step="1"')+field('param-out','Unités de sortie o','1','number','min="1" step="1"')+'</div>','runParams()','paramresult')+'</div>';
if(c.id===8)html+=`<div class="grid"><article class="card"><h3>Construire une consigne vérifiable</h3><p>Générateur de canevas local, sans envoi à une IA. Utiliser des informations fictives ou non confidentielles.</p>${field('prompt-task','Tâche','Expliquer la RAM et le stockage')}${field('prompt-level','Public','Étudiants débutants de Licence 1')}${field('prompt-source','Source disponible','Extrait du cours 1 joint')}${field('prompt-format','Format','Définition des sigles, comparaison, exemple et deux questions corrigées')}${btn('Construire le canevas',"onclick=\"runPrompt()\"",'btn')}<div id="labresult" class="result" aria-live="polite"></div></article><article class="card"><h3>Fiche de vérification</h3><p>Pour chaque réponse étudiée, écrire dans votre cahier :</p><ol><li>Demande et objectif.</li><li>Documents réellement consultés.</li><li>Faits confirmés et preuves.</li><li>Calculs refaits indépendamment.</li><li>Corrections nécessaires.</li><li>Informations non établies et limites.</li><li>Aide utilisée et règles de déclaration.</li></ol><p class="muted">Un formulaire bien rempli ne suffit pas : les contrôles doivent réellement être réalisés.</p></article></div>`;
html+='<div class="notice"><strong>Pour prolonger sur tableur ou sur papier :</strong> <a href="donnees_README.md">description des jeux fictifs</a> · <a href="etudiants-fictifs.csv" download>tableau de 10 observations</a> · <a href="classification-fictive.csv" download>20 classifications</a> · <a href="regression-fictive.csv" download>régression</a> · <a href="kmeans-1d-fictif.csv" download>points k-means</a></div>';$('coursebody').innerHTML=html}
function scalar(id){const value=$(id).value.trim();if(!value)throw Error('Tous les champs numériques doivent être renseignés.');const x=Number(value);if(!Number.isFinite(x)||Math.abs(x)>1e9)throw Error('Valeur numérique finie attendue, de valeur absolue au plus un milliard.');return x}
function list(id){const value=$(id).value.trim();if(!value)throw Error('La liste ne doit pas être vide.');let a=value.split(/[;\n\s]+/).map(v=>Number(v.replace(',','.')));if(a.length>200||a.some(x=>!Number.isFinite(x)||Math.abs(x)>1e6))throw Error('Liste de 1 à 200 valeurs numériques finies, de valeur absolue au plus un million. Séparer par points-virgules.');return a}
const fmt=x=>Number.isFinite(x)?x.toLocaleString('fr-FR',{maximumFractionDigits:5}):'non défini';
function guarded(id,fn){try{$(id).innerHTML=fn()}catch(e){$(id).innerHTML='<p class="bad">'+esc(e.message)+'</p>'}}
function table(head,rows){return'<p class="mobile-table-hint">Sur téléphone, faites glisser le tableau pour voir toutes les colonnes.</p><div class="scrolltable" tabindex="0" role="region" aria-label="Tableau de calcul, défilement horizontal disponible"><table><thead><tr>'+head.map(x=>'<th scope="col">'+esc(x)+'</th>').join('')+'</tr></thead><tbody>'+rows.map(r=>'<tr>'+r.map(v=>'<td>'+esc(v)+'</td>').join('')+'</tr>').join('')+'</tbody></table></div>'}
function meanModel(notes,weights){if(!notes.length||notes.length!==weights.length)throw Error('Un coefficient est nécessaire pour chaque note.');if(notes.some(x=>!Number.isFinite(x)||x<0||x>20)||weights.some(x=>!Number.isFinite(x)||x<0))throw Error('Notes entre 0 et 20 ; coefficients finis non négatifs.');let total=notes.reduce((s,x,i)=>s+x*weights[i],0),weight=weights.reduce((s,x)=>s+x,0);if(weight<=0)throw Error('La somme des coefficients doit être strictement positive.');return{total,weight,mean:total/weight}}
function runMean(){guarded('labresult',()=>{let a=list('mean-notes'),w=$('mean-weights').value.trim()?list('mean-weights'):a.map(()=>1),r=meanModel(a,w);return table(['Note','Coefficient','Produit'],a.map((x,i)=>[fmt(x),fmt(w[i]),fmt(x*w[i])]))+`<p>Total pondéré : ${fmt(r.total)} ; somme des poids : ${fmt(r.weight)}.</p><p class="score">${fmt(r.mean)} / 20</p><p>Formule : ${fmt(r.total)} / ${fmt(r.weight)}. Ce résultat n’applique pas de règlement de validation des études.</p>`})}
const taskCases=[['Prévoir la durée d’un trajet en minutes.','regression','La sortie est une quantité numérique.'],['Attribuer un type administratif à un document.','classification','La sortie est une catégorie définie.'],['Rassembler des articles similaires sans fournir leurs classes.','clustering','Les groupes sont recherchés sans cible de groupe pour l’ajustement.'],['Rédiger une synthèse d’un document avec un outil génératif.','generation','La sortie est un contenu produit ; sa fidélité doit être vérifiée.']];
function taskChange(){$('taskprompt').textContent=taskCases[Number($('taskcase').value)][0];$('labresult').textContent=''}
function runTask(){let a=taskCases[Number($('taskcase').value)],ok=$('taskchoice').value===a[1];$('labresult').innerHTML=`<strong class="${ok?'good':'bad'}">${ok?'Correct.':'À revoir.'}</strong><p>${esc(a[2])}</p>`}
function traceModel(a,target,method){if(!a.length)throw Error('Liste vide.');let rows=[],found=-1;if(method==='binary'){if(a.some((v,i)=>i&&v<a[i-1]))throw Error('La dichotomie exige une liste triée dans l’ordre croissant.');let lo=0,hi=a.length-1;while(lo<=hi){let mid=Math.floor((lo+hi)/2);rows.push([rows.length+1,lo+1,hi+1,mid+1,a[mid]]);if(a[mid]===target){found=mid;break}if(a[mid]<target)lo=mid+1;else hi=mid-1}}else{for(let i=0;i<a.length;i++){rows.push([i+1,i+1,a[i],a[i]===target?'Oui':'Non']);if(a[i]===target){found=i;break}}}return{rows,found}}
function runTrace(){guarded('labresult',()=>{let a=list('search-array'),target=scalar('search-target'),method=$('searchmethod').value,r=traceModel(a,target,method);return table(method==='binary'?['Étape','Borne gauche','Borne droite','Milieu','Valeur']:['Étape','Position','Valeur','Trouvé ?'],r.rows)+`<p class="score">${r.found<0?'Valeur absente':'Trouvé en position '+(r.found+1)}</p><p>${r.rows.length} élément(s) examiné(s). Les positions affichées commencent à 1. Ce nombre compte les éléments examinés, pas toutes les opérations machine.</p>`})}
function standardModel(x,mu,sigma){if(![x,mu,sigma].every(Number.isFinite)||sigma<=0)throw Error('L’écart-type doit être strictement positif ; σ=0 exige un traitement particulier.');return(x-mu)/sigma}
function runStd(){guarded('labresult',()=>{let x=scalar('stdx'),mu=scalar('stdmu'),sig=scalar('stdsigma'),z=standardModel(x,mu,sig);return`<p>z = (${fmt(x)} − ${fmt(mu)}) / ${fmt(sig)}</p><p class="score">z = ${fmt(z)}</p><p>Écart à la moyenne exprimé en unités d’écart-type. Les paramètres d’entraînement restent inchangés pour le test.</p>`})}
function confusionModel(vp,fn,fp,vn){if([vp,fn,fp,vn].some(v=>!Number.isInteger(v)||v<0))throw Error('Effectifs entiers non négatifs attendus.');let total=vp+fn+fp+vn;return{total,accuracy:total?(vp+vn)/total:null,precision:vp+fp?vp/(vp+fp):null,recall:vp+fn?vp/(vp+fn):null}}
const pct=x=>x===null?'Non définie (dénominateur nul)':fmt(x*100)+' %';
function runConfusion(){guarded('confresult',()=>{let a=['vp','fn','fp','vn'].map(scalar),r=confusionModel(...a);return table(['Réalité / Prédiction','Prédit positif','Prédit négatif'],[['Réel positif',a[0]+' VP',a[1]+' FN'],['Réel négatif',a[2]+' FP',a[3]+' VN']])+`<p>Total : ${r.total}.</p><p>Exactitude : (${a[0]} + ${a[3]}) / ${r.total} = <strong>${pct(r.accuracy)}</strong></p><p>Précision : ${a[0]} / (${a[0]} + ${a[2]}) = <strong>${pct(r.precision)}</strong></p><p>Rappel : ${a[0]} / (${a[0]} + ${a[1]}) = <strong>${pct(r.recall)}</strong></p><p>Les fractions nulles ne sont pas remplacées silencieusement par zéro.</p>`})}
function errorModel(a,b){if(!a.length||a.length!==b.length||[...a,...b].some(v=>!Number.isFinite(v)))throw Error('Même nombre positif de valeurs finies observées et prédites attendu.');let residuals=a.map((v,i)=>v-b[i]);return{residuals,mae:residuals.reduce((s,e)=>s+Math.abs(e),0)/a.length,rmse:Math.sqrt(residuals.reduce((s,e)=>s+e*e,0)/a.length)}}
function runErrors(){guarded('errorresult',()=>{let a=list('observed'),b=list('predicted'),r=errorModel(a,b);return table(['Observé','Prédit','Résidu y−ŷ','Valeur absolue','Carré'],a.map((v,i)=>[fmt(v),fmt(b[i]),fmt(r.residuals[i]),fmt(Math.abs(r.residuals[i])),fmt(r.residuals[i]**2)]))+`<p class="score">MAE = ${fmt(r.mae)}<br>RMSE = ${fmt(r.rmse)}</p><p>Les deux sont dans l’unité de la cible ; la RMSE accentue les grands écarts.</p>`})}
function kmeansModel(a,start,limit=1){if(!a.length||start.length<2||start.length>20)throw Error('Au moins un point et entre 2 et 20 centres attendus.');let centers=[...start],history=[],groups=[],stabilized=false;for(let step=0;step<limit;step++){groups=centers.map(()=>[]);a.forEach(v=>{let best=0;for(let j=1;j<centers.length;j++)if(Math.abs(v-centers[j])<Math.abs(v-centers[best]))best=j;groups[best].push(v)});let empty=[];let next=groups.map((g,j)=>{if(!g.length){empty.push(j+1);return centers[j]}return g.reduce((s,v)=>s+v,0)/g.length});let inertia=groups.reduce((s,g,j)=>s+g.reduce((z,v)=>z+(v-next[j])**2,0),0);history.push({step:step+1,before:[...centers],centers:[...next],groups:groups.map(g=>[...g]),inertia,empty});stabilized=next.every((v,j)=>Math.abs(v-centers[j])<1e-10);centers=next;if(stabilized)break}return{centers,groups,history,stabilized}}
function runKmeans(){guarded('labresult',()=>{let a=list('kmdata'),start=list('kmcenters'),limit=Number($('kmsteps').value),r=kmeansModel(a,start,limit),last=r.history[r.history.length-1];return table(['Itération','Centres avant','Centres après','Inertie après recalcul'],r.history.map(h=>[h.step,h.before.map(fmt).join(' ; '),h.centers.map(fmt).join(' ; '),fmt(h.inertia)]))+table(['Groupe','Points affectés à cette itération','Centre recalculé'],last.groups.map((g,j)=>[j+1,g.map(fmt).join(' ; ')||'Groupe vide',fmt(last.centers[j])]))+`<p class="score">Inertie = ${fmt(last.inertia)}</p><p>${r.stabilized?'Centres stabilisés selon le critère numérique.':limit===1?'Une seule itération : relancer avec stabilisation pour poursuivre.':'Limite de 50 itérations atteinte sans stabilisation selon le critère.'}</p>${last.empty.length?`<p class="bad">Groupes vides : ${last.empty.join(', ')} ; centres précédents conservés.</p>`:''}<p>Solution dépendante de l’initialisation. Une faible inertie ne prouve pas la pertinence humaine des groupes.</p>`})}
function neuronModel(x,w,b,activation){if(!x.length||x.length!==w.length||![...x,...w,b].every(Number.isFinite))throw Error('Même nombre positif d’entrées et de poids finis attendu.');let z=x.reduce((s,v,i)=>s+v*w[i],b),a=activation==='relu'?Math.max(0,z):activation==='sigmoid'?(z>=0?1/(1+Math.exp(-z)):Math.exp(z)/(1+Math.exp(z))):z;return{z,a}}
function runNeuron(){guarded('neuronresult',()=>{let x=list('nx'),w=list('nw'),b=scalar('nb'),r=neuronModel(x,w,b,$('activation').value);return table(['Entrée','Poids','Produit'],x.map((v,i)=>[fmt(v),fmt(w[i]),fmt(v*w[i])]))+`<p>Somme des produits + biais ${fmt(b)} : z = ${fmt(r.z)}.</p><p class="score">Activation = ${fmt(r.a)}</p><p>Un score sigmoïde n’est pas automatiquement une probabilité calibrée.</p>`})}
function paramModel(p,m,o){if([p,m,o].some(v=>!Number.isInteger(v)||v<1||v>10000))throw Error('Effectifs entiers entre 1 et 10 000 attendus.');return{hidden:p*m+m,out:m*o+o,total:p*m+m+m*o+o}}
function runParams(){guarded('paramresult',()=>{let p=scalar('param-in'),m=scalar('param-hidden'),o=scalar('param-out'),r=paramModel(p,m,o);return`<p>Couche cachée : ${p} × ${m} + ${m} = ${r.hidden}.</p><p>Couche de sortie : ${m} × ${o} + ${o} = ${r.out}.</p><p class="score">${r.total} paramètres</p><p>Un biais par unité hors entrée, sans autre couche entraînable.</p>`})}
function runPrompt(){let ids=['prompt-task','prompt-level','prompt-source','prompt-format'],v=ids.map(id=>$(id).value.trim());if(v.some(s=>!s)){$('labresult').textContent='Renseignez tâche, public, source et format.';return}let text=`Tâche : ${v[0]}.\nPublic : ${v[1]}.\nSource à utiliser : ${v[2]}.\nFormat attendu : ${v[3]}.\n\nDéfinis chaque terme technique et développe les sigles. Distingue ce qui vient de la source de tes exemples ajoutés. Si une information manque, indique-le sans inventer de référence. Présente une démarche vérifiable pour tout calcul.\n\nAprès réception, je vérifierai les faits, les calculs, la fidélité aux sources et les règles de confidentialité.`;$('labresult').innerHTML='<h4>Canevas à relire</h4><pre>'+esc(text)+'</pre><p>Aucun envoi n’a été effectué. Une consigne détaillée ne garantit pas l’exactitude de la réponse obtenue.</p>'}

parseRoute();
</script><script>let installPromptUL=null;
window.addEventListener('beforeinstallprompt',e=>{e.preventDefault();installPromptUL=e});
function installUL(){let el=document.getElementById('install-status');if(installPromptUL){installPromptUL.prompt();installPromptUL=null}else if(el)el.textContent='Dans le menu du navigateur, choisissez Installer l’application ou Ajouter à l’écran d’accueil. Sur iPhone : Safari, Partager, Sur l’écran d’accueil. Cette option dépend du navigateur.'}
if(typeof navigator!=='undefined'&&'serviceWorker' in navigator&&location.protocol!=='file:')window.addEventListener('load',()=>navigator.serviceWorker.register('./sw.js').catch(()=>{}));
</script><script type="text/javascript">(() => {
'use strict';
const root=document.documentElement, storageKey='ul-display-preferences';
let prefs={language:'fr',theme:'light'};
try{let p=JSON.parse(localStorage.getItem(storageKey)||'{}');if(p.language==='en')prefs.language='en';if(p.theme==='dark')prefs.theme='dark'}catch{}
const dictionary={
'Langue':'Language','Apparence':'Appearance','Clair':'Light','Sombre':'Dark','Accueil':'Home','Cours':'Courses','Recherche':'Search','Assistant':'Assistant','Glossaire':'Glossary','Méthode & ressources':'Method & resources','Aller au contenu':'Skip to content','Outils du module':'Module tools','Choisir un cours':'Choose a course','Rubriques du cours':'Course sections','Informatique de base et intelligence artificielle':'Computer fundamentals and artificial intelligence','Faculté des Sciences et Techniques':'Faculty of Science and Technology','Département de mathématiques':'Department of Mathematics','LICENCE 1':'YEAR 1','Licence 1':'Year 1','Informatique de base et IA':'Computer fundamentals and AI',
'Cours développé':'Course notes','Exercices & QCM':'Exercises & quizzes','Laboratoire':'Lab','Diapositives':'Slides','Objectifs & synthèse':'Objectives & summary','Imprimer le cours':'Print course','Télécharger le texte':'Download French notes','Choisir un chapitre':'Choose a chapter','Choisir une diapositive':'Choose a slide','Chapitres du cours':'Course chapters','Diapositives du support':'Source presentation slides','Précédente':'Previous','Suivante':'Next','Précédent':'Previous','Suivant':'Next','Chapitre suivant':'Next chapter','Chapitre précédent':'Previous chapter','Comprendre la notion':'Understanding the concept','Exemple expliqué':'Worked example','Point de vigilance':'Point to watch','Vocabulaire à maîtriser':'Key vocabulary','Consulter':'Read more','Marquer comme étudié':'Mark as studied','Déjà étudié':'Already studied','Chapitre étudié':'Chapter studied','Retirer le marquage':'Unmark as studied',
'Commencer le cours 1':'Start course 1','Visite guidée':'Guided tour','Partager':'Share','8 cours développés':'8 detailed courses','Laboratoires interactifs':'Interactive labs','120 diapositives':'120 slides','Assistant de notions':'Concept assistant','L’informatique et l’IA,':'Computer fundamentals and AI,','des bases à la pratique':'from basics to practice','UNIVERSITÉ DE LABÉ · LICENCE 1 · 2026–2027':'UNIVERSITÉ DE LABÉ · YEAR 1 · 2026–2027','Un module complet en huit cours pour comprendre l’ordinateur, résoudre des problèmes et apprendre les principes de l’intelligence artificielle. Des notions développées, des exemples expliqués et des exercices pour progresser.':'Eight courses to understand computers, solve problems and learn the principles of artificial intelligence. Detailed explanations, worked examples and practice activities support your progress.',
'MON PARCOURS D’APPRENTISSAGE':'MY LEARNING PATH','Prêt à explorer':'Ready to explore','Prochaine étape : cours 1, chapitre 1.':'Next step: course 1, chapter 1.','Progression conservée uniquement dans ce navigateur.':'Progress is stored only in this browser.','Ma notion':'Find a concept','Un mot, un sigle ou un sujet à revoir ? Retrouvez sa définition et les explications dans les huit cours.':'Looking up a word, acronym or topic? Find its French definition and explanations across the eight courses.','Notion à rechercher':'Concept to look up','Rechercher':'Search','PARCOURS STRUCTURÉ':'STRUCTURED LEARNING','PRATIQUE ET ÉVALUATION':'PRACTICE AND ASSESSMENT','VOCABULAIRE EXPLIQUÉ':'EXPLAINED VOCABULARY','SUPPORTS FOURNIS':'PROVIDED MATERIALS','64 chapitres développés':'64 detailed chapters','Corrigés, 40 QCM et 10 ateliers':'Worked answers, 40 quiz questions and 10 labs','Sigles, synonymes et renvois':'Acronyms, synonyms and references','15 diapositives par cours':'15 slides per course','Les huit cours du module':'The eight courses','Une progression des fondamentaux aux usages responsables':'From fundamentals to responsible use','Ouvrir le cours':'Open course','Une méthode pour comprendre':'A method for understanding','Définir':'Define','Comprendre':'Understand','Appliquer':'Apply','Vérifier':'Check','Développer les sigles et préciser le sens de chaque terme.':'Expand acronyms and clarify what each term means.','Lire l’explication et suivre un exemple de bout en bout.':'Read the explanation and follow a complete worked example.','Résoudre l’exercice ou manipuler dans le laboratoire.':'Solve the exercise or experiment in the lab.','Comparer au corrigé, tester les limites et justifier la réponse.':'Compare with the solution, test edge cases and justify your answer.','Accès rapide':'Quick access','Cours développés':'Course notes','Les huit cours, chapitre par chapitre':'All eight courses, chapter by chapter','Laboratoires':'Labs','Calculs et manipulations expliqués':'Explained calculations and experiments','Exercices & QCM':'Exercises & quizzes','S’entraîner puis consulter la correction':'Practise, then read the worked answer','Définitions du module et renvois précis':'French definitions and chapter references','Recherche transversale':'Cross-course search','Chercher dans tous les cours et corrigés':'Search all French course notes and worked answers','Supports, sources, données fictives et limites':'Materials, sources, synthetic data and limitations',
'Installer et emporter la plateforme':'Install and take the platform with you','Sur Android et ordinateur : utilisez « Installer ». Sur iPhone ou iPad : ouvrez dans Safari, puis Partager et « Sur l’écran d’accueil ». Une connexion initiale est nécessaire. Le site conserve son accès privé.':'On Android and desktop, choose Install. On iPhone or iPad, open in Safari, then Share and Add to Home Screen. An initial connection is required. Access permissions remain unchanged.','Installer l’application':'Install app','Conserver les diapositives hors connexion':'Save slides for offline use','Les huit cours, les exercices, les définitions et les diapositives, dans un ZIP sans sous-dossier.':'All eight courses, exercises, definitions and slides in one ZIP with no subfolders.','Télécharger le ZIP complet':'Download the ZIP package','PowerPoint original (enseignant)':'Download original PowerPoint','Support pédagogique de Licence 1. Tous les exemples d’étudiants et de données sont fictifs. Les résultats ne sont pas transmis aux enseignants.':'Year 1 teaching materials. All student examples and datasets are synthetic. Results are not sent to teachers.',
'Fermer':'Close','Terminer':'Finish','Bienvenue dans le module':'Welcome to the module','Lire un chapitre':'Read a chapter','Appliquer et vérifier':'Apply and check','Manipuler dans le laboratoire':'Experiment in the lab','Retrouver une définition':'Find a definition','Huit cours suivent une progression des bases de l’informatique à l’IA générative. Chaque cours comporte un texte développé, des exercices, un laboratoire et les diapositives.':'Eight courses progress from computer fundamentals to generative AI. Each has detailed French notes, exercises, a lab and slides.','La définition ouvre le chapitre. Les explications, l’exemple et le point de vigilance développent la notion. Les termes ouvrent l’Assistant.':'Each chapter starts with a definition, then explanations, a worked example and a caution. Click a term to open the assistant.','Écrire le raisonnement avant d’ouvrir le corrigé. Les QCM sont formatifs et leurs résultats restent dans la page.':'Write your reasoning before opening the solution. Quizzes are formative; results remain on the page.','Modifier des valeurs, examiner les étapes et comparer les résultats. Les entrées invalides et divisions par zéro sont signalées.':'Change values, inspect the steps and compare results. Invalid inputs and division by zero are reported.','L’Assistant définit les termes du module et renvoie aux chapitres. Il ne génère pas librement une réponse et signale les notions non reconnues.':'The assistant returns French definitions and chapter references. It uses prepared content and reports unrecognised terms.',
'Rechercher dans tout le module':'Search the whole module','Définitions, explications, exemples, exercices corrigés et titres des diapositives.':'French definitions, explanations, examples, worked exercises and slide titles.','Mots-clés':'Keywords','Périmètre':'Scope','Tous les cours':'All courses','Les images des diapositives ne sont pas recherchées mot à mot : leurs thèmes sont indexés. Les textes développés et les corrigés sont recherchés intégralement.':'Slide images are indexed by topic, rather than searched word for word. Full course notes and worked answers are searchable in French.','Aucun résultat':'No results','Essayez un terme plus court ou un synonyme. La recherche accepte les accents et certains pluriels.':'Try a shorter term or a French synonym. Search handles accents and some plurals.','Vocabulaire vérifiable':'Traceable vocabulary','Ouvrir une notion pour accéder au chapitre qui la développe.':'Open a concept to go to the chapter that explains it.','Filtrer les termes et leurs définitions':'Filter French terms and definitions','Aucune définition exacte reconnue':'No exact definition recognised','Précisez le terme ou utilisez un synonyme du cours. L’assistant ne fabrique pas de réponse pour une notion absente.':'Specify the term or use a synonym from the course. The assistant does not invent definitions for missing concepts.',
'Correction':'Worked answer','Corrigé':'Worked answer','Voir le corrigé':'Show worked answer','Afficher le corrigé':'Show worked answer','Exercices corrigés':'Worked exercises','Questions de compréhension':'Knowledge check','Évaluation formative':'Formative assessment','Travail personnel':'Independent work','Objectifs':'Objectives','Prérequis':'Prerequisites','Notions à retenir':'Key concepts','Synthèse':'Summary','Réinitialiser':'Reset','Corriger le QCM':'Check quiz','Valider mes réponses':'Check my answers','Choisir une réponse':'Choose an answer','Résultat':'Result','Réponse':'Answer','Justification':'Explanation','Exécuter et expliquer':'Run and explain','Lancez le calcul pour voir les étapes.':'Run the calculation to see each step.','Notes':'Grades','Situation':'Scenario','Votre réponse':'Your answer','Classification':'Classification','Régression':'Regression','Regroupement':'Clustering','Génération':'Generation','Vérifier et justifier':'Check and explain','Méthode':'Method','Recherche linéaire':'Linear search','Recherche dichotomique':'Binary search','Valeur cherchée':'Target value','Valeur x':'Value x','Moyenne μ':'Mean μ','Écart-type σ (>0)':'Standard deviation σ (>0)','Poids w':'Weights w','Entrées x':'Inputs x','Biais b':'Bias b','Nombre d’étapes':'Number of steps','Centres initiaux':'Initial centres','Activation':'Activation','Sigmoïde':'Sigmoid','Identité (sans non-linéarité)':'Identity (no nonlinearity)','Une itération expliquée':'One explained iteration','Jusqu’à stabilisation (50 itérations maximum)':'Until stable (maximum 50 iterations)','Étape':'Step','Position':'Position','Valeur':'Value','Trouvé ?':'Found?','Oui':'Yes','Non':'No','Observé':'Observed','Prédit':'Predicted','Résidu y−ŷ':'Residual y−ŷ','Valeur absolue':'Absolute value','Carré':'Square','Entrée':'Input','Poids':'Weight','Produit':'Product','Itération':'Iteration','Centres avant':'Centres before','Centres après':'Centres after','Groupe':'Cluster','Centre recalculé':'Updated centre','Public':'Audience','Tâche':'Task','Source disponible':'Available source','Format':'Format','Construire le canevas':'Build the template','Fiche de vérification':'Verification checklist','Construire une consigne vérifiable':'Build a verifiable prompt','Canevas à relire':'Template to review',
'Méthode et transparence':'Method and transparency','Utiliser et vérifier la plateforme':'Using and checking the platform','Organisation':'Organisation','Nuances scientifiques retenues':'Scientific distinctions','Sources et ressources':'Sources and resources','Ressources à télécharger':'Downloadable resources','Limites':'Limitations','Confidentialité':'Privacy','Références':'References','Sources':'Sources','Données fictives':'Synthetic data','Assistant documentaire local':'Local reference assistant','Formule':'Formula','Accès au chapitre':'Open chapter','Définition':'Definition','Exemple':'Example','Synonymes et sigles':'Synonyms and acronyms','Notions proches':'Related concepts','À revoir.':'Review needed.','Correct.':'Correct.',
'Sur téléphone, faites glisser le tableau pour voir toutes les colonnes.':'On a phone, swipe the table horizontally to see all columns.','Tableau de calcul, défilement horizontal disponible':'Calculation table, horizontal scrolling available',
'Bases de l’informatique et découverte de l’IA':'Computer fundamentals and introduction to AI','Introduction à l’intelligence artificielle':'Introduction to artificial intelligence','Algorithmes et résolution de problèmes':'Algorithms and problem solving','Données et principes de l’apprentissage automatique':'Data and machine learning principles','Apprentissage supervisé : classification et régression':'Supervised learning: classification and regression','Apprentissage non supervisé et découverte de groupes':'Unsupervised learning and clustering','Réseaux de neurones et apprentissage profond':'Neural networks and deep learning','IA générative, usages universitaires et responsabilité':'Generative AI, university use and responsibility',
'Diapositive issue du PowerPoint fourni, avec les masques et logos de votre fichier. Le texte développé et les précisions scientifiques se trouvent dans « Cours développé ». Cliquez sur l’image pour l’agrandir.':'Slide from the supplied PowerPoint, including its overlays and logos. See Course notes for detailed explanations and scientific clarifications. Click the image to enlarge it. Original slides keep their original language.'
};
Object.assign(dictionary,{
"Préférences d’affichage":"Display preferences",
"Votre notion, ex. RAM, algorithme, k-means, rappel…":"Concept, e.g. RAM, algorithm, k-means, recall…",
"Fuite de données":"Data leakage","Précision et rappel":"Precision and recall","Rétropropagation":"Backpropagation",
"Comprendre ce qu’un ordinateur reçoit, traite et conserve, puis organiser son travail et découvrir les usages de l’intelligence artificielle.":"Understand what a computer receives, processes and stores, organise your work and explore uses of artificial intelligence.",
"Décrire une tâche d’IA, comprendre les principales approches et distinguer performance, compréhension et causalité.":"Describe an AI task, understand the main approaches and distinguish performance, understanding and causality.",
"Passer d’un problème formulé en français à une méthode précise, vérifier les cas limites et suivre l’exécution.":"Turn a problem expressed in ordinary language into a precise method, check edge cases and trace execution.",
"Construire un tableau cohérent, préparer les variables et évaluer un modèle sans utiliser d’informations indisponibles au moment prévu.":"Build a consistent table, prepare variables and evaluate a model without using information unavailable at the intended prediction time.",
"Relier des entrées à une cible connue, comprendre trois modèles et mesurer leurs erreurs avec des métriques adaptées.":"Relate inputs to a known target, understand three models and measure their errors using suitable metrics.",
"Mesurer une proximité, effectuer une itération de k-means et interpréter les groupes avec prudence.":"Measure similarity, perform a k-means iteration and interpret clusters with caution.",
"Calculer une unité simple, comprendre les couches et décrire le cycle d’apprentissage sans confondre métaphore biologique et mécanisme mathématique.":"Calculate a simple unit, understand layers and describe training while distinguishing the biological metaphor from the mathematics.",
"Formuler une demande précise, distinguer génération et recherche, vérifier les résultats et documenter un usage universitaire responsable.":"Write a precise prompt, distinguish generation from search, check results and document responsible university use.",
"Ordinateur, informatique et information":"Computers, computing and information","Entrée, traitement, sortie et stockage":"Input, processing, output and storage","Matériel, processeur et périphériques":"Hardware, processor and peripherals","RAM et stockage : suivre un document":"RAM and storage: following a document","Logiciel, système et application":"Software, operating systems and applications","Fichiers, extensions et arborescence":"Files, extensions and folder trees","Enregistrer, sauvegarder et restaurer":"Saving, backing up and restoring","Première découverte de l’IA et bonnes pratiques":"Introduction to AI and good practice",
"Décrire un système avant de l’évaluer":"Describe a system before evaluating it","Automatisation, histoire et approches symboliques":"Automation, history and symbolic approaches","Apprentissage automatique, profond et génératif":"Machine learning, deep learning and generative AI","Classification et régression":"Classification and regression","Regroupement et génération":"Clustering and generation","Entraînement et inférence":"Training and inference","Représentativité, transfert et causalité":"Representativeness, transfer and causality","Décrire un usage responsable":"Describing responsible use",
"Problème, algorithme et programme":"Problems, algorithms and programs","Entrées, sorties, contraintes et cas limites":"Inputs, outputs, constraints and edge cases","Variables, affectation et trace":"Variables, assignment and execution traces","Conditions et décisions":"Conditions and decisions","Boucles POUR et TANT QUE":"FOR and WHILE loops","Moyenne pondérée : méthode et invariant":"Weighted mean: method and invariant","Maximum, recherche linéaire et dichotomie":"Maximum, linear search and binary search","Coût algorithmique et heuristique":"Algorithmic cost and heuristics",
"Observation, variable et dictionnaire de données":"Observations, variables and data dictionaries","Variables numériques, catégorielles et cible":"Numerical variables, categorical variables and targets","Qualité : absences, doublons et incohérences":"Quality: missing values, duplicates and inconsistencies","Standardisation et échelles":"Standardisation and scales","Entraînement, validation, test et structure":"Training, validation, test and data structure","Sous-apprentissage, surapprentissage et diagnostic":"Underfitting, overfitting and diagnosis","Référence simple, reproductibilité et confidentialité":"Baselines, reproducibility and privacy",
"Supervision, cible et prédiction":"Supervision, targets and predictions","Régression linéaire simple":"Simple linear regression","Les k plus proches voisins":"k-nearest neighbours","Arbre de décision et complexité":"Decision trees and complexity","Erreurs de régression : résidu, MAE et RMSE":"Regression errors: residuals, MAE and RMSE","Matrice de confusion":"Confusion matrix","Exactitude, précision, rappel et déséquilibre":"Accuracy, precision, recall and imbalance","Seuil, validation et choix d’un modèle":"Thresholds, validation and model selection",
"L’absence de cible pour l’ajustement":"Fitting without a target","Distances et géométrie de la similarité":"Distances and the geometry of similarity","Échelles, unités et catégories":"Scales, units and categories","k-means : objectif et déroulement":"k-means: objective and procedure","Inertie et itération complète":"Inertia and a complete iteration","Choisir k et analyser la stabilité":"Choosing k and analysing stability","ACP et réduction de dimension":"PCA and dimensionality reduction","Interprétation des groupes et responsabilité":"Cluster interpretation and responsibility",
"Neurone artificiel, poids et biais":"Artificial neurons, weights and biases","ReLU, sigmoïde et non-linéarité":"ReLU, sigmoid and nonlinearity","Couches et propagation avant":"Layers and forward propagation","Compter les paramètres":"Counting parameters","Prédiction, cible et fonction de perte":"Predictions, targets and loss functions","Rétropropagation et descente de gradient":"Backpropagation and gradient descent","Paramètres, hyperparamètres, époque et lot":"Parameters, hyperparameters, epochs and batches","Surapprentissage, transfert et limites":"Overfitting, transfer and limitations",
"Modèle de langage et jetons":"Language models and tokens","Préentraînement, contexte et mémoire de conversation":"Pretraining, context and conversation memory","Générer, rechercher et citer":"Generating, searching and citing","Consigne : tâche, contexte, public et format":"Prompts: task, context, audience and format","Amélioration progressive et contrôle du support":"Iterative improvement and checking supporting material","Hallucinations, faits et calculs":"Hallucinations, facts and calculations","Usages universitaires et responsabilité":"University use and responsibility","Confidentialité, biais et fiche de vérification":"Privacy, bias and verification checklist"
}
);
Object.assign(dictionary,{"Ouvrez le lien direct dans votre navigateur pour installer la plateforme comme une application :": "Open the direct link in your browser to install the platform as an app:", "Ouvrir la plateforme pour l’installer": "Open the platform to install it", "Ordinateur :": "Desktop:", "ouvrez avec Chrome ou Edge, puis cliquez sur « Installer l’application ». Si nécessaire, utilisez l’option d’installation du menu du navigateur.": "open in Chrome or Edge and select Install app. If needed, use the installation option in your browser menu.", "Android :": "Android:", "ouvrez avec Chrome, puis menu ⋮ et « Installer l’application » ou « Ajouter à l’écran d’accueil ».": "open in Chrome, then select ⋮ and Install app or Add to Home screen.", "iPhone ou iPad :": "iPhone or iPad:", "ouvrez avec Safari, puis Partager, « Sur l’écran d’accueil » et Ajouter.": "open in Safari, then select Share, Add to Home Screen and Add.", "Une icône permet ensuite d’ouvrir la plateforme comme une application. Pour consulter les diapositives sans Internet, cliquez sur « Conserver les diapositives hors connexion » après une première ouverture en ligne.": "An icon then lets you open the platform as an app. To view slides without Internet, choose Save slides for offline use after first opening the platform online."});
const originals=new WeakMap(), attributes=new WeakMap();
function translate(s){const lead=s.match(/^\s*/)[0],trail=s.match(/\s*$/)[0],t=s.trim();if(!t)return s;if(dictionary[t])return lead+dictionary[t]+trail;const numbered=t.match(/^(?:(?:\d+ \/ 15 · )|(?:\d+ · )|(?:Chapitre \d+ · ))(.+)$/);if(numbered&&dictionary[numbered[1]])return lead+t.slice(0,-numbered[1].length).replace('Chapitre','Chapter')+dictionary[numbered[1]]+trail;
return s.replace(/^Cours (\d+)/,'Course $1').replace(/^COURS (\d+)/,'COURSE $1').replace(/^Chapitre (\d+)/,'Chapter $1').replace(/ · Chapitre (\d+)/g,' · Chapter $1').replace(/^(\d+) cours$/,'$1 courses').replace(/^(\d+) exercices$/,'$1 exercises').replace(/^(\d+) définitions$/,'$1 definitions').replace(/^(\d+) définition\(s\)$/,'$1 definition(s)').replace(/^(\d+) QCM$/,'$1 quiz questions').replace(/^(\d+) ateliers$/,'$1 labs').replace(/^(\d+) chapitres$/,'$1 chapters').replace(/^(\d+) exercices corrigés$/,'$1 worked exercises').replace(/^(\d+) diapositives$/,'$1 slides').replace(/^(\d+)\/(\d+) étudiés$/,'$1/$2 studied').replace(/ · LICENCE 1/g,' · YEAR 1').replace(/^(\d+) chapitre\(s\) étudié\(s\)$/,'$1 chapter(s) studied').replace(/Glossaire · /g,'Glossary · ').replace(/^(\d+) chapitre marqué comme étudié sur 64\.$/,'$1 chapter marked as studied out of 64.').replace(/^Prochaine étape : cours (\d+), chapitre (\d+)\.$/,'Next step: course $1, chapter $2.');}
function applyLanguage(){observer.disconnect();root.lang=prefs.language;document.querySelectorAll('[data-language]').forEach(b=>b.setAttribute('aria-pressed',String(b.dataset.language===prefs.language)));
const walk=document.createTreeWalker(document.body,NodeFilter.SHOW_TEXT,{acceptNode:n=>n.parentElement?.closest('script,style,pre,code,textarea,[data-no-translate]')?NodeFilter.FILTER_REJECT:NodeFilter.FILTER_ACCEPT});let n;
while(n=walk.nextNode()){let rec=originals.get(n);if(!rec||n.nodeValue!==rec.last)rec={source:n.nodeValue,last:n.nodeValue};let value=prefs.language==='en'?translate(rec.source):rec.source;if(n.nodeValue!==value)n.nodeValue=value;rec.last=value;originals.set(n,rec)}
for(const el of document.querySelectorAll('[placeholder],[aria-label],[title]')){let rec=attributes.get(el)||{};for(const a of ['placeholder','aria-label','title'])if(el.hasAttribute(a)){let v=el.getAttribute(a);if(!rec[a]||rec[a].last!==v)rec[a]={source:v,last:v};let next=prefs.language==='en'?translate(rec[a].source):rec[a].source;el.setAttribute(a,next);rec[a].last=next}attributes.set(el,rec)}
document.getElementById('ul-source-language').hidden=prefs.language!=='en';observer.observe(document.body,{childList:true,subtree:true,characterData:true});}
let pending=false;const observer=new MutationObserver(()=>{if(!pending){pending=true;queueMicrotask(()=>{pending=false;applyLanguage()})}});
function save(){try{localStorage.setItem(storageKey,JSON.stringify(prefs))}catch{}}
function applyTheme(){root.dataset.theme=prefs.theme;root.style.colorScheme=prefs.theme;document.querySelectorAll('[data-theme-choice]').forEach(b=>b.setAttribute('aria-pressed',String(b.dataset.themeChoice===prefs.theme)));document.querySelectorAll('meta[name="theme-color"]').forEach(m=>m.content=prefs.theme==='dark'?'#0b1220':'#eef3f9')}
document.querySelectorAll('[data-language]').forEach(b=>b.addEventListener('click',()=>{prefs.language=b.dataset.language==='en'?'en':'fr';save();applyLanguage()}));
document.querySelectorAll('[data-theme-choice]').forEach(b=>b.addEventListener('click',()=>{prefs.theme=b.dataset.themeChoice==='dark'?'dark':'light';save();applyTheme()}));
applyTheme();applyLanguage();
})();
</script><p id="ul-download-status" role="status" aria-live="polite"></p><script>const accessUL=document.getElementById('ul-access');let ulMe=null;
async function checkUL(){try{const r=await fetch('/api/me',{cache:'no-store'});if(r.status===401){location.replace('/login');return}if(r.ok){ulMe=await r.json();document.querySelectorAll('a[href$=".pptx"]').forEach(a=>a.hidden=ulMe.account.role!=='admin')}}catch{document.getElementById('ul-download-status').textContent='Connexion au serveur nécessaire pour accéder aux documents.'}}
async function logoutUL(){try{await fetch('/api/logout',{method:'POST',headers:{'X-CSRF-Token':accessUL.dataset.csrf,'Content-Type':'application/json'},body:'{}'})}finally{location.replace('/login')}}
async function requestULDownload(path){const status=document.getElementById('ul-download-status');await checkUL();if(!ulMe)return;if(!ulMe.account.downloads){status.textContent='Téléchargement non autorisé pour cet accès. Contactez votre enseignant.';return}status.textContent='Préparation du document nominatif…';try{const ticket=await fetch('/api/download-ticket',{method:'POST',headers:{'Content-Type':'application/json','X-CSRF-Token':accessUL.dataset.csrf},body:JSON.stringify({resource:path})});if(!ticket.ok){status.textContent='Téléchargement non autorisé pour cet accès.';return}const info=await ticket.json();const r=await fetch(info.url,{cache:'no-store'});if(r.status===401){location.replace('/login');return}if(!r.ok){status.textContent='Téléchargement refusé. Votre autorisation a peut-être été modifiée.';return}const blob=await r.blob(),url=URL.createObjectURL(blob),a=document.createElement('a');a.href=url;a.download=path.split('/').pop();a.click();setTimeout(()=>URL.revokeObjectURL(url),1000);status.textContent=''}catch{status.textContent='Téléchargement interrompu. Vérifiez votre connexion.'}}
document.addEventListener('click',e=>{const a=e.target.closest('a[href]');if(a){const u=new URL(a.href,location.href);if(u.origin===location.origin&&(/\.(md|pptx|csv|pdf)$/.test(u.pathname)||a.hasAttribute('download'))){e.preventDefault();requestULDownload(u.pathname)}}});checkUL();setInterval(checkUL,60000);
</script></body></html>