From 484d47ad6add3650cec4f20a9c07df198fe97972 Mon Sep 17 00:00:00 2001
From: John Samuel <johnsamuelwrites@gmail.com>
Date: Tue, 10 Sep 2024 13:37:43 +0200
Subject: [PATCH] Rearrange slides

---
 .../cours/2024/IA-DeepLearning/cours1.html    |  223 +--
 .../cours/2024/IA-DeepLearning/cours2.html    | 1570 ++---------------
 .../cours/2024/IA-DeepLearning/cours3.html    |  581 +++---
 3 files changed, 570 insertions(+), 1804 deletions(-)

diff --git a/fr/enseignement/cours/2024/IA-DeepLearning/cours1.html b/fr/enseignement/cours/2024/IA-DeepLearning/cours1.html
index 7a6b91c9..2514eebb 100644
--- a/fr/enseignement/cours/2024/IA-DeepLearning/cours1.html
+++ b/fr/enseignement/cours/2024/IA-DeepLearning/cours1.html
@@ -703,166 +703,9 @@ <h1 style="font-size:2.5vw">Apprentissage machine</h1>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide2">
-        <div class="header">
-            <h1>1.1. Histoire scientifique: Intelligence Artificielle</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Intelligence Artificielle [Pan 2016, Jaakkola 2019]</h1>
-            <ul>
-                <li>La méthode d'apprentissage profond</li>
-                <li>Les fusions et acquisitions d'entreprises
-                    <ul>
-                        <li>DNNresearch par Google en 2013 [1] : <b>vision par ordinateur</b>.</li>
-                        <li>LinkedIn par Microsoft en 2016 [2] : <b>réseaux sociaux professionnels</b>.</li>
-                    </ul>
-                </li>
-                <li>Les chatbots
-                    <ul>
-                        <li>Xiaobing par Microsoft: « <b>comprendre</b> » et répondre aux questions des utilisateurs en
-                            <b>langage naturel</b>.
-                        </li>
-                    </ul>
-                </li>
-                <li>Les programmes de jeux
-                    <ul>
-                        <li>AlphaGo par Google : victoire historique contre le champion du <b>jeu de go</b> Lee Sedol en
-                            2016.</li>
-                    </ul>
-                </li>
-                <li>L'utilisation dans les hôpitaux
-                    <ul>
-                        <li>Watson par IBM : une plateforme d'IA qui a été utilisée dans le domaine de la santé pour
-                            aider les professionnels de la santé à <b>analyser et à interpréter des données
-                                médicales</b> complexes.</li>
-                    </ul>
-                </li>
-                <li>La compréhension du langage naturel
-                    <ul>
-                        <li>Baidu : <b>moteur de recherche</b>.</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">2
-                <a class="prev" href="#slide1"></a>
-                <a class="next" href="#slide3"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide3">
-        <div class="header">
-            <h1>1.1. Histoire scientifique: Intelligence Artificielle</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Intelligence Artificielle [Pan 2016, Jaakkola 2019]</h1>
-            <ul>
-                <li>1956: la definition d'IA
-                    <ul>
-                        <li><b>La capacité des machines à comprendre, à penser et à apprendre d'une manière similaire à
-                                celle des êtres humains</b></li>
-                        <li>Proposée par J. McCarthy, M. L. Minsky, H. Simon, A. Newell, C. E. Shannon, N. Rochester,...
-                        </li>
-                    </ul>
-                </li>
-                <li>1970-2000
-                    <ul>
-                        <li>1983: le rapport par James Lighthill : un rapport critiquant la recherche en IA au
-                            Royaume-Uni, ce qui a conduit à un <b>ralentissement temporaire des financements publics</b>
-                            pour l'IA, connu sous le nom de « <b>l'effet Lighthill</b> ».</li>
-                        <li>1982-1992: l'échec du développement d'un <b>ordinateur intelligent</b> par le Japon</li>
-                        <li>1984: la <b>construction manuelle d'une encyclopédie</b> de la connaissance (Cyc) par
-                            Douglas Lenat à l'Université Stanford. Cyc est un projet d'IA visant à créer une base de
-                            connaissances informatisée capable de raisonner et de répondre à des questions complexes.
-                        </li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">3
-                <a class="prev" href="#slide2"></a>
-                <a class="next" href="#slide4"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide4">
-        <div class="header">
-            <h1>1.1. Histoire scientifique: Intelligence Artificielle</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Intelligence Artificielle 2.0 [Pan 2016, Jaakkola 2019]</h1>
-            <ul>
-                <li>1990s-présent
-                    <ul>
-                        <li>Popularité de <b>l'Internet</b></li>
-                        <li>l'utilisation des <b>capteurs</b></li>
-                        <li><b>Big Data</b></li>
-                        <li>l'e-commerce</li>
-                    </ul>
-                </li>
-                <li>Des <b>demandes sociales</b> pour IA
-                    <ul>
-                        <li>des <b>villes intelligentes</b></li>
-                        <li>médecine</li>
-                        <li>transport</li>
-                        <li>les <b>automobiles sans conducteur</b></li>
-                        <li>les smartphones</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">4
-                <a class="prev" href="#slide3"></a>
-                <a class="next" href="#slide5"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide5">
-        <div class="header">
-            <h1>1.1. Histoire scientifique: Intelligence Artificielle</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Intelligence Artificielle 2.0 [Pan 2016]</h1>
-            <ul>
-                <li>Les technologies à l'origine de l'IA
-                    <ul>
-                        <li>L'IA basée sur des <b>données massives (Big Data)</b></li>
-                        <li><b>L'intelligence de la foule</b> sur Internet</li>
-                        <li>Le savoir médiatique croisé</li>
-                        <li>L'intelligence hybride homme-machine</li>
-                        <li><b>Systèmes autonomes</b> et intelligents</li>
-                    </ul>
-                </li>
-                <li>L'avenir
-                    <ul>
-                        <li>L'IA <b>explicative et générique</b></li>
-                        <li>la cognition, l'apprentissage et l'inférence trans-médiatiques.</li>
-                        <li><b>l'intelligence communautaire</b> à partir de l'intelligence des foules basée sur
-                            l'intelligence
-                            individuelle</li>
-                        <li>des systèmes autonomes et intelligents pour le développement de machines et de produits
-                            intelligents.</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">5
-                <a class="prev" href="#slide4"></a>
-                <a class="next" href="#slide6"></a>
-            </div>
-        </div>
-    </section>
     <section class="slide" id="slide6">
         <div class="header">
-            <h1>1.2. Les fondements de l'IA </h1>
+            <h1>1. Les fondements de l'IA </h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Objectifs</h1>
@@ -881,7 +724,7 @@ <h1 class="topicsubheading">Objectifs</h1>
     </section>
     <section class="slide" id="slide7">
         <div class="header">
-            <h1>1.2. Les fondements de l'IA </h1>
+            <h1>1. Les fondements de l'IA </h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">1.2. Les fondements de l'IA </h1>
@@ -903,7 +746,7 @@ <h1 class="topicsubheading">1.2. Les fondements de l'IA </h1>
     </section>
     <section class="slide" id="slide8">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique et raisonnement</h1>
@@ -940,7 +783,7 @@ <h1 class="topicsubheading">Logique et raisonnement</h1>
     </section>
     <section class="slide" id="slide9">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique propositionnelle</h1>
@@ -969,7 +812,7 @@ <h1 class="topicsubheading">Logique propositionnelle</h1>
     </section>
     <section class="slide" id="slide10">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique propositionnelle</h1>
@@ -993,7 +836,7 @@ <h1 class="topicsubheading">Logique propositionnelle</h1>
     </section>
     <section class="slide" id="slide11">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique propositionnelle</h1>
@@ -1015,7 +858,7 @@ <h1 class="topicsubheading">Logique propositionnelle</h1>
     </section>
     <section class="slide" id="slide12">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique propositionnelle</h1>
@@ -1044,7 +887,7 @@ <h1 class="topicsubheading">Logique propositionnelle</h1>
     </section>
     <section class="slide" id="slide13">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading"> Logique du premier ordre</h1>
@@ -1072,7 +915,7 @@ <h1 class="topicsubheading"> Logique du premier ordre</h1>
     </section>
     <section class="slide" id="slide14">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading"> Logique du premier ordre</h1>
@@ -1097,7 +940,7 @@ <h1 class="topicsubheading"> Logique du premier ordre</h1>
     </section>
     <section class="slide" id="slide15">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading"> Logique du premier ordre</h1>
@@ -1122,7 +965,7 @@ <h1 class="topicsubheading"> Logique du premier ordre</h1>
     </section>
     <section class="slide" id="slide16">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading"> Logique du premier ordre</h1>
@@ -1154,7 +997,7 @@ <h1 class="topicsubheading"> Logique du premier ordre</h1>
     </section>
     <section class="slide" id="slide17">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading"> Logique du premier ordre</h1>
@@ -1193,7 +1036,7 @@ <h1 class="topicsubheading"> Logique du premier ordre</h1>
     </section>
     <section class="slide" id="slide18">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading"> Logique du premier ordre</h1>
@@ -1220,7 +1063,7 @@ <h1 class="topicsubheading"> Logique du premier ordre</h1>
     </section>
     <section class="slide" id="slide19">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading"> Logique du premier ordre</h1>
@@ -1239,7 +1082,7 @@ <h1 class="topicsubheading"> Logique du premier ordre</h1>
     </section>
     <section class="slide" id="slide20">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique modale</h1>
@@ -1265,7 +1108,7 @@ <h1 class="topicsubheading">Logique modale</h1>
     </section>
     <section class="slide" id="slide21">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique modale</h1>
@@ -1292,7 +1135,7 @@ <h1 class="topicsubheading">Logique modale</h1>
     </section>
     <section class="slide" id="slide22">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique modale</h1>
@@ -1318,7 +1161,7 @@ <h1 class="topicsubheading">Logique modale</h1>
     </section>
     <section class="slide" id="slide23">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Logique modale</h1>
@@ -1345,7 +1188,7 @@ <h1 class="topicsubheading">Logique modale</h1>
     </section>
     <section class="slide" id="slide24">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Raisonnement automatisé</h1>
@@ -1373,7 +1216,7 @@ <h1 class="topicsubheading">Raisonnement automatisé</h1>
     </section>
     <section class="slide" id="slide25">
         <div class="header">
-            <h1>1.2.1. Logique et raisonnement</h1>
+            <h1>1.1. Logique et raisonnement</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Raisonnement automatisé</h1>
@@ -1407,7 +1250,7 @@ <h1 class="topicsubheading">Raisonnement automatisé</h1>
     </section>
     <section class="slide" id="slide26">
         <div class="header">
-            <h1>1.2.2. Représentation des connaissances</h1>
+            <h1>1.2. Représentation des connaissances</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Introduction</h1>
@@ -1440,7 +1283,7 @@ <h1 class="topicsubheading">Introduction</h1>
     </section>
     <section class="slide" id="slide27">
         <div class="header">
-            <h1>1.2.2. Représentation des connaissances</h1>
+            <h1>1.2. Représentation des connaissances</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Types de connaissances</h1>
@@ -1468,7 +1311,7 @@ <h1 class="topicsubheading">Types de connaissances</h1>
     </section>
     <section class="slide" id="slide28">
         <div class="header">
-            <h1>1.2.2. Représentation des connaissances</h1>
+            <h1>1.2. Représentation des connaissances</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Types de connaissances</h1>
@@ -1494,7 +1337,7 @@ <h1 class="topicsubheading">Types de connaissances</h1>
     </section>
     <section class="slide" id="slide29">
         <div class="header">
-            <h1>1.2.2. Représentation des connaissances</h1>
+            <h1>1.2. Représentation des connaissances</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Représentation des connaissances déclaratives</h1>
@@ -1515,7 +1358,7 @@ <h1 class="topicsubheading">Représentation des connaissances déclaratives</h1>
     </section>
     <section class="slide" id="slide30">
         <div class="header">
-            <h1>1.2.2. Représentation des connaissances</h1>
+            <h1>1.2. Représentation des connaissances</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Représentation des connaissances déclaratives</h1>
@@ -1541,7 +1384,7 @@ <h1 class="topicsubheading">Représentation des connaissances déclaratives</h1>
     </section>
     <section class="slide" id="slide31">
         <div class="header">
-            <h1>1.2.3. Agents intelligents</h1>
+            <h1>1.3. Agents intelligents</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Introduction</h1>
@@ -1572,7 +1415,7 @@ <h1 class="topicsubheading">Introduction</h1>
     </section>
     <section class="slide" id="slide32">
         <div class="header">
-            <h1>1.2.3. Agents intelligents</h1>
+            <h1>1.3. Agents intelligents</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Types d'agents intelligents</h1>
@@ -1606,7 +1449,7 @@ <h1 class="topicsubheading">Types d'agents intelligents</h1>
     </section>
     <section class="slide" id="slide33">
         <div class="header">
-            <h1>1.2.3. Agents intelligents</h1>
+            <h1>1.3. Agents intelligents</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Types d'agents intelligents</h1>
@@ -1637,7 +1480,7 @@ <h1 class="topicsubheading">Types d'agents intelligents</h1>
     </section>
     <section class="slide" id="slide34">
         <div class="header">
-            <h1>1.2.3. Agents intelligents</h1>
+            <h1>1.3. Agents intelligents</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Types d'agents intelligents</h1>
@@ -1667,7 +1510,7 @@ <h1 class="topicsubheading">Types d'agents intelligents</h1>
     </section>
     <section class="slide" id="slide35">
         <div class="header">
-            <h1>1.2.3. Agents intelligents</h1>
+            <h1>1.3. Agents intelligents</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Types d'agents intelligents</h1>
@@ -1696,7 +1539,7 @@ <h1 class="topicsubheading">Types d'agents intelligents</h1>
     </section>
     <section class="slide" id="slide36">
         <div class="header">
-            <h1>1.2.4. Apprentissage machine</h1>
+            <h1>1.4. Apprentissage machine</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">3 approches</h1>
@@ -1734,7 +1577,7 @@ <h1 class="topicsubheading">3 approches</h1>
     </section>
     <section class="slide" id="slide37">
         <div class="header">
-            <h1>1.2.4. Apprentissage machine</h1>
+            <h1>1.4. Apprentissage machine</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">3 approches</h1>
@@ -1761,7 +1604,7 @@ <h1 class="topicsubheading">3 approches</h1>
     </section>
     <section class="slide" id="slide38">
         <div class="header">
-            <h1>1.2.5. Apprentissage profond</h1>
+            <h1>1.5. Apprentissage profond</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Apprentissage profond</h1>
diff --git a/fr/enseignement/cours/2024/IA-DeepLearning/cours2.html b/fr/enseignement/cours/2024/IA-DeepLearning/cours2.html
index d85738ec..542e3401 100644
--- a/fr/enseignement/cours/2024/IA-DeepLearning/cours2.html
+++ b/fr/enseignement/cours/2024/IA-DeepLearning/cours2.html
@@ -705,1084 +705,7 @@ <h1 style="font-size:2.5vw">Apprentissage machine</h1>
     </section>
     <section class="slide" id="slide2">
         <div class="header">
-            <h1>2.1. Introduction à l'apprentissage machine</h1>
-        </div>
-        <div class="content">
-            <p><b>L'apprentissage machine</b>, également connu sous le nom de machine learning (ML), est un domaine de
-                l'intelligence artificielle (IA) qui se concentre sur le développement de techniques permettant aux
-                ordinateurs d'apprendre à partir de données. L'objectif principal de l'apprentissage machine est de
-                permettre aux systèmes informatiques de prendre des décisions ou de réaliser des tâches sans être
-                explicitement programmés, en s'appuyant sur des <b>modèles</b> et des <b>motifs appris à partir des
-                    données</b>.</p>
-            <h4>Principes fondamentaux de l'apprentissage machine</h4>
-            <ul>
-                <li><b>Données d'entraînement</b> : L'apprentissage machine commence par des données. Ces données,
-                    appelées données d'entraînement, sont utilisées pour enseigner au modèle les modèles et les
-                    relations dans lesquels il doit identifier.</li>
-                <li><b>Modèles</b> : Les modèles en apprentissage machine sont des représentations mathématiques qui
-                    capturent les relations entre les différentes caractéristiques des données. Ces modèles sont
-                    entraînés à partir des données d'entraînement et sont capables de généraliser pour faire des
-                    prédictions sur de nouvelles données non vues.
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">2
-                <a class="prev" href="#slide1"></a>
-                <a class="next" href="#slide3"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide3">
-        <div class="header">
-            <h1>2.1. Introduction à l'apprentissage machine </h1>
-        </div>
-        <div class="content">
-            <h4>Principes fondamentaux de l'apprentissage machine</h4>
-            <ul>
-                <li><b>Entraînement et apprentissage</b> : L'entraînement d'un modèle implique de l'exposer aux données
-                    d'entraînement, lui permettant d'ajuster ses paramètres pour minimiser les erreurs de prédiction.
-                    L'apprentissage se produit lorsque le modèle améliore sa capacité à faire des prédictions précises.
-                </li>
-                <li><b>Validation et test</b> : Après l'entraînement, le modèle est évalué sur des données de validation
-                    et de test pour s'assurer qu'il généralise bien aux données non vues. Cela aide à éviter le
-                    surajustement, où le modèle apprend trop spécifiquement les données d'entraînement et ne peut pas
-                    généraliser correctement.
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">3
-                <a class="prev" href="#slide2"></a>
-                <a class="next" href="#slide4"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide4">
-        <div class="header">
-            <h1>2.1.1. Positionnement de l'apprentissage machine</h1>
-        </div>
-        <div class="content">
-            <p>L'apprentissage machine occupe une place centrale dans le paysage technologique actuel et a un impact
-                significatif dans divers domaines. </p>
-            <ul>
-                <li><b>Intelligence Artificielle (IA)</b> : L'apprentissage machine est une composante essentielle de
-                    l'intelligence artificielle. Il permet aux systèmes informatiques de tirer des conclusions,
-                    d'apprendre à partir d'expériences passées et d'améliorer leur performance sans être explicitement
-                    programmés.</li>
-                <li><b>Informatique et Technologie</b> : L'apprentissage machine est largement utilisé dans les
-                    applications technologiques, y compris la vision par ordinateur, la reconnaissance vocale, la
-                    traduction automatique, les chatbots, et diverses autres applications qui exploitent la capacité des
-                    modèles à apprendre des données.</li>
-                <li><b>Santé</b> : Dans le domaine de la santé, l'apprentissage machine est utilisé pour la prédiction
-                    de maladies, l'analyse d'images médicales, la personnalisation des traitements, la découverte de
-                    médicaments, et la gestion des dossiers médicaux électroniques.</li>
-                <li><b>Finance</b> : Les institutions financières utilisent l'apprentissage machine pour la détection de
-                    fraudes, la prévision de tendances du marché, l'analyse de crédit, et l'optimisation des
-                    portefeuilles d'investissement.</li>
-                <li><b>Industrie</b> : Dans le secteur industriel, l'apprentissage machine est appliqué à la maintenance
-                    prédictive, à l'optimisation de la chaîne d'approvisionnement, à la qualité de production, et à la
-                    robotique.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">4
-                <a class="prev" href="#slide3"></a>
-                <a class="next" href="#slide5"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide5">
-        <div class="header">
-            <h1>2.1.2. Approches de l'apprentissage machine</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Approches</h3>
-            <ul>
-                <li><b>Apprentissage supervisé</b> : Le modèle est entraîné sur un ensemble de données étiquetées où les
-                    exemples d'entrée sont associés à des sorties désirées. Le modèle apprend à faire des prédictions
-                    sur de nouvelles données en se basant sur ces associations.</li>
-                <li><b>Apprentissage non supervisé</b> : Le modèle est exposé à des données non étiquetées et cherche à
-                    découvrir des modèles, des structures ou des relations intrinsèques dans les données.</li>
-                <li><b>Apprentissage semi-supervisé</b> : Une combinaison des deux précédents, utilisant à la fois des
-                    données étiquetées et non étiquetées pour l'entraînement.</li>
-                <li><b>Apprentissage par renforcement</b> : Le modèle apprend à prendre des décisions en interagissant
-                    avec son environnement. Il reçoit des récompenses ou des pénalités en fonction de ses actions, ce
-                    qui guide son apprentissage.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">5
-                <a class="prev" href="#slide4"></a>
-                <a class="next" href="#slide6"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide6">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Formalisation</h3>
-            <ul>
-                <li><b>Vecteur euclidien</b>:
-                    <ul>
-                        <li>Un vecteur euclidien est un objet géométrique caractérisé par sa magnitude (longueur) et sa
-                            direction. </li>
-                        <li>Les vecteurs euclidiens sont couramment utilisés pour représenter des données sous forme de
-                            points dans un espace multidimensionnel, où chaque dimension correspond à une
-                            caractéristique ou une variable.</li>
-                    </ul>
-                </li>
-                <li><b>Espace vectoriel</b>:
-                    <ul>
-                        <li>Un espace vectoriel est une collection de vecteurs qui peuvent être additionnés entre eux et
-                            multipliés par des nombres (scalaires).</li>
-                    </ul>
-                </li>
-                <li><b>Vecteur de caractéristiques (features)</b>:
-                    <ul>
-                        <li>Un vecteur de caractéristiques est un vecteur n-dimensionnel qui représente les
-                            caractéristiques ou les attributs d'une entité. </li>
-                    </ul>
-                </li>
-                <li><b>Espace de caractéristiques</b>:
-                    <ul>
-                        <li>L'espace de caractéristiques est l'espace vectoriel associé aux vecteurs de
-                            caractéristiques.</li>
-                        <li>Chaque dimension de cet espace représente une caractéristique particulière, et les vecteurs
-                            sont utilisés pour positionner les données dans cet espace en fonction de leurs
-                            caractéristiques.</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">6
-                <a class="prev" href="#slide5"></a>
-                <a class="next" href="#slide7"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide7">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Exemples de caractéristiques</h3>
-            <ul>
-                <li><b>Images</b>: Dans le contexte des images, les vecteurs de caractéristiques peuvent être construits
-                    à partir des valeurs des pixels. Chaque pixel peut être considéré comme une dimension, et un vecteur
-                    de caractéristiques contiendra les valeurs de tous les pixels, permettant ainsi de représenter une
-                    image sous forme de vecteur.</li>
-                <li><b>Textes</b>: Pour les textes, les vecteurs de caractéristiques sont souvent construits à partir de
-                    la fréquence d'apparition des mots, des phrases, ou des tokens dans un document. Cela permet de
-                    représenter le contenu textuel en utilisant des valeurs numériques, ce qui est essentiel pour
-                    l'analyse de texte et la recherche d'informations.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">7
-                <a class="prev" href="#slide6"></a>
-                <a class="next" href="#slide8"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide8">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Formalisation</h1>
-            <ul>
-                <li><b>Construction de caractéristiques<sup>1</sup></b>:
-                    <ul>
-                        <li>La construction de caractéristiques consiste à créer de nouvelles variables ou attributs à
-                            partir de celles déjà présentes dans les données.</li>
-                        <li>Cette étape peut être cruciale pour améliorer les performances des modèles d'apprentissage
-                            machine en introduisant des informations pertinentes et en éliminant du bruit.</li>
-                    </ul>
-                </li>
-                <li><b>Opérateurs de construction pour les caractéristiques</b>
-                    <ul>
-                        <li>Les opérateurs de construction sont des fonctions ou des opérations mathématiques qui
-                            permettent de créer de nouvelles caractéristiques à partir de celles existantes. </li>
-                        <li>Parmi les opérateurs couramment utilisés, on trouve les opérateurs d'égalité (comparaisons),
-                            les opérateurs arithmétiques (addition, soustraction, multiplication, division), les
-                            opérateurs de tableau (min, max, moyenne, médiane, etc.), les fonctions de transformation,
-                            etc.</li>
-                    </ul>
-                </li>
-            </ul>
-            <ol style="font-size:2vh">
-                <li>https://en.wikipedia.org/wiki/Feature_vector</li>
-            </ol>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">8
-                <a class="prev" href="#slide7"></a>
-                <a class="next" href="#slide9"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide9">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Exemple</h3>
-            <ul>
-                <li>Soit <b>Année de naissance</b> et <b>Année de décès</b> deux caractéristiques existantes.</li>
-                <li>Une nouvelle caractéristique appelée <b>âge</b> est créée. <b>âge</b> = <b>Année de décès</b> -
-                    <b>Année de naissance</b>
-                </li>
-            </ul>
-            <p>La construction de caractéristiques est une étape essentielle dans le pipeline de prétraitement des
-                données en apprentissage machine, car elle peut aider à rendre les données plus informatives pour les
-                algorithmes d'apprentissage.</p>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">9
-                <a class="prev" href="#slide8"></a>
-                <a class="next" href="#slide10"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide10">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Formalisation: Apprentissage supervisé</h1>
-                <ul>
-                    <li><b>Le nombre d'exemples d'entraînement (N)</b> : Cela représente la quantité d'exemples de
-                        données que vous avez pour entraîner un modèle supervisé. Chaque exemple d'entraînement se
-                        compose d'un vecteur de caractéristiques (x) et de son label (y).</li>
-                    <li><b>L'espace de saisie des caractéristiques (X)</b> : C'est l'ensemble de toutes les combinaisons
-                        possibles de vecteurs de caractéristiques qui peuvent être utilisées comme entrée pour le
-                        modèle. Cet espace est défini par les caractéristiques que vous avez extraites des données.</li>
-                    <li><b>L'espace des caractéristiques de sortie (Y)</b> : Il représente l'ensemble de toutes les
-                        valeurs possibles que peuvent prendre les étiquettes ou les labels. </li>
-                    <li><b>Exemples d'entraînement (D)</b> : C'est votre ensemble de données d'entraînement, composé de
-                        paires (x, y) où x est le vecteur de caractéristiques et y est le label correspondant.</li>
-                </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">10
-                <a class="prev" href="#slide9"></a>
-                <a class="next" href="#slide11"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide11">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Formalisation: Apprentissage supervisé</h1>
-                <ul>
-                    <li><b>Objectif de l'algorithme d'apprentissage supervisé</b> : Il s'agit de trouver une fonction
-                        (g) qui associe un vecteur de caractéristiques (x) à un label (y). L'ensemble des fonctions
-                        possibles est appelé espace des hypothèses (G). L'objectif est de choisir la fonction (g) qui
-                        minimise l'erreur de prédiction sur les exemples d'entraînement et généralise bien sur de
-                        nouvelles données.</li>
-                    <li><b>Fonction d'évaluation (F)</b> : Elle indique l'espace des fonctions d'évaluation utilisées
-                        pour évaluer la performance des fonctions hypothétiques. L'objectif est de trouver la fonction
-                        (g) qui renvoie la fonction d'évaluation (f) la plus élevée, c'est-à-dire celle qui donne les
-                        prédictions les plus précises.</li>
-                </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">11
-                <a class="prev" href="#slide10"></a>
-                <a class="next" href="#slide12"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide12">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Formalisation: Apprentissage supervisé</h1>
-                <p>Cette formalisation est au cœur de l'apprentissage supervisé, où l'objectif est d'apprendre à partir
-                    d'exemples étiquetés et de trouver une fonction qui puisse prédire de manière précise les étiquettes
-                    pour de nouvelles données non vues.</p>
-                <ul>
-                    <li>Soit \(N\) le nombre d'exemples d'entraînement</li>
-                    <li>Soit \(X\) l'espace de saisie des caractéristiques</li>
-                    <li>Soit \(Y\) l'espace des caractéristiques de sortie (des étiquettes)</li>
-                    <li>Soit \({(x_1, y_1),...,(x_N, y_N)}\) les \(N\) exemples d'entraînement, où
-                        <ul>
-                            <li>\(x_i\) est le vecteur de caractéristiques de <i>i<sup>ème</sup></i> exemple
-                                d'entraînement.
-                            </li>
-                            <li>\(y_i\) est son label.</li>
-                        </ul>
-                    </li>
-                </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">12
-                <a class="prev" href="#slide11"></a>
-                <a class="next" href="#slide13"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide13">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Formalisation: Apprentissage supervisé</h1>
-                <ul>
-                    <li>L'objectif de l'algorithme d'apprentissage supervisé est de trouver \(g: X &#8594; Y\), où
-                        <ul>
-                            <li><i>g</i> est l'une des fonctions de l'ensemble des fonctions possibles <i>G</i> (espace
-                                des
-                                hypothèses)</li>
-                        </ul>
-                    </li>
-                    <li><b>Fonction d'évaluation <i>F</i></b> indiquent l'espace des fonctions d'évaluation, où
-                        <ul>
-                            <li>\(f: X &#215; Y &#8594; R\) telle que <i>g</i> renvoie la fonction d'évaluation la plus
-                                élevée.</li>
-                        </ul>
-                    </li>
-                </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">13
-                <a class="prev" href="#slide12"></a>
-                <a class="next" href="#slide14"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide14">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Formalisation: Apprentissage non supervisé</h1>
-            <ul>
-                <li><b>L'espace de saisie des caractéristiques (X)</b> : C'est l'ensemble de toutes les combinaisons
-                    possibles de vecteurs de caractéristiques qui peuvent être utilisées comme entrée pour le modèle en
-                    apprentissage non supervisé. Cet espace est défini par les caractéristiques que vous avez extraites
-                    des données.</li>
-                <li><b>L'espace des caractéristiques de sortie (Y)</b> : Il représente l'ensemble des caractéristiques
-                    de sortie potentielles. Contrairement à l'apprentissage supervisé, en apprentissage non supervisé, Y
-                    ne consiste pas en des étiquettes ou des labels prédéfinis, mais plutôt en des transformations, des
-                    représentations, ou des caractéristiques extraites des données d'entrée.</li>
-                <li><b>Objectif de l'algorithme d'apprentissage non supervisé</b> : L'objectif est de trouver une
-                    correspondance entre l'espace de saisie des caractéristiques (X) et l'espace des caractéristiques de
-                    sortie (Y). Cela peut impliquer diverses tâches, telles que la réduction de la dimensionnalité, la
-                    classification automatique de données non étiquetées, la détection d'anomalies, la segmentation, ou
-                    la représentation latente des données.</li>
-                <li><b>Mise en correspondance X → Y</b> : Cette mise en correspondance peut être réalisée de différentes
-                    manières, selon la tâche d'apprentissage non supervisé spécifique. Par exemple, dans la réduction de
-                    la dimensionnalité, X peut être une représentation à haute dimension des données, tandis que Y
-                    représente la version réduite de ces données, souvent avec moins de dimensions.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">14
-                <a class="prev" href="#slide13"></a>
-                <a class="next" href="#slide15"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide15">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Formalisation: Apprentissage non supervisé</h1>
-            <ul>
-                <li>Soit \(X\) l'espace de saisie des caractéristiques</li>
-                <li>Soit \(Y\) l'espace des caractéristiques de sortie (des étiquettes)</li>
-                <li>L'objectif de l'algorithme d'apprentissage non supervisé est
-                    <ul>
-                        <li>trouver la mise en correspondance \(X &#8594; Y\)</li>
-                    </ul>
-                </li>
-            </ul>
-            <p>L'apprentissage non supervisé est utilisé pour explorer et découvrir des modèles, des structures ou des
-                caractéristiques inhérentes aux données, sans l'utilisation d'étiquettes ou de labels préalables. Il est
-                couramment utilisé dans des domaines tels que la clustering, l'analyse de composantes principales (PCA),
-                l'analyse en composantes indépendantes (ICA), et bien d'autres.</p>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">15
-                <a class="prev" href="#slide14"></a>
-                <a class="next" href="#slide16"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide16">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Formalisation: Apprentissage semi-supervisé</h1>
-            <ul>
-                <li><b>L'espace de saisie des caractéristiques (X)</b> : Il s'agit de l'ensemble de toutes les
-                    combinaisons possibles de vecteurs de caractéristiques qui peuvent être utilisés comme entrée pour
-                    le modèle en apprentissage semi-supervisé.</li>
-                <li><b>L'espace des caractéristiques de sortie (Y)</b> : Il représente l'ensemble des caractéristiques
-                    de sortie potentielles, mais contrairement à l'apprentissage supervisé, il n'est pas nécessairement
-                    constitué d'étiquettes ou de labels prédéfinis.</li>
-                <li><b>Ensemble d'exemples d'exercices étiquetés (l)</b> : Cela correspond à un sous-ensemble d'exemples
-                    qui ont été annotés ou étiquetés avec des valeurs de sortie connues.</li>
-                <li><b>Ensembles des vecteurs de caractéristiques non étiquetées (u)</b> : Il s'agit des exemples non
-                    étiquetés, où les valeurs de sortie ne sont pas connues.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">16
-                <a class="prev" href="#slide15"></a>
-                <a class="next" href="#slide17"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide17">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Formalisation: Apprentissage semi-supervisé</h1>
-            <ul>
-                <li><b>Objectif de l'algorithme d'apprentissage semi-supervisé</b> : L'objectif principal est de trouver
-                    des étiquettes correctes pour les exemples non étiquetés (apprentissage transductif), ainsi que de
-                    trouver la bonne mise en correspondance entre les caractéristiques d'entrée et les caractéristiques
-                    de sortie (apprentissage inductif).
-                    <ul>
-                        <li><b>Apprentissage transductif</b> : Il s'agit de trouver des étiquettes correctes pour les
-                            exemples non étiquetés. Cela revient à prédire les valeurs de sortie pour les exemples non
-                            étiquetés sans nécessairement chercher à généraliser à de nouvelles données.</li>
-                        <li><b>Apprentissage inductif</b> : Cela concerne la recherche de la bonne mise en
-                            correspondance entre les vecteurs de caractéristiques d'entrée et les caractéristiques de
-                            sortie. Cela peut inclure la généralisation à de nouvelles données en utilisant le modèle
-                            appris.</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">17
-                <a class="prev" href="#slide16"></a>
-                <a class="next" href="#slide18"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide18">
-        <div class="header">
-            <h1>2.1.3. Formalisation des problèmes d'apprentissage</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Formalisation: Apprentissage semi-supervisé</h1>
-            <ul>
-                <li>Soit \(X\) l'espace de saisie des caractéristiques</li>
-                <li>Soit \(Y\) l'espace des caractéristiques de sortie (des étiquettes)</li>
-                <li>Soit \({(x_1, y_1),...,(x_l, y_l)}\) l'ensemble d'exemples d'exercices étiquetés</li>
-                <li>Soit \({x_{l+1},...,x_{l+u}}\) sont les \(u\) ensembles des vecteurs de caractéristiques non
-                    étiquetées de \(X\).</li>
-                <li>L'objectif de l'algorithme d'apprentissage semi-supervisé est de faire
-                    <ul>
-                        <li><b>l'apprentissage transductif</b>, c'est-à-dire trouver des étiquettes correctes pour
-                            \({x_{l+1},...,x_{l+u}}\).</li>
-                        <li><b>l'apprentissage inductif</b>, c'est-à-dire trouver la bonne mise en correspondance \(X
-                            &#8594; Y\)</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">18
-                <a class="prev" href="#slide17"></a>
-                <a class="next" href="#slide19"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide19">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h1 class="topicsubheading">Classification: Définition formelle</h1>
-            <ul>
-                <li>Soit \(X\) l'espace de saisie des caractéristiques</li>
-                <li>Soit \(Y\) l'espace des caractéristiques de sortie (des étiquettes)</li>
-                <li>L'objectif de l'algorithme de classification (ou classificateur) est de trouver \({(x_1,
-                    y_1),...,(x_l, y_k)}\), c'est-à-dire l'attribution d'une étiquette connue à chaque vecteur de
-                    caractéristique d'entrée, où
-                    <ul>
-                        <li>\(x_i &#8712; X \)</li>
-                        <li>\(y_i &#8712; Y \)</li>
-                        <li>\(|X| = l \)</li>
-                        <li>\(|Y| = k \)</li>
-                        <li>\(l &gt;= k\)</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">19
-                <a class="prev" href="#slide18"></a>
-                <a class="next" href="#slide20"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide20">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classificateurs</h3>
-            <ul>
-                <li>Algorithme de classification</li>
-                <li>Deux types de classificateurs:
-                    <ul>
-                        <li><b>Classificateurs binaires</b> attribue un objet à l'une des deux classes</li>
-                        <li><b>Classificateurs multiclasses</b> attribue un objet à une ou plusieurs classes</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">20
-                <a class="prev" href="#slide19"></a>
-                <a class="next" href="#slide21"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide21">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h2 class="topicsubheading">Classification binaire</h2>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/MachineLearning/binaryclassifier.svg"
-                    height="400px" />
-                <figcaption>Classification binaire</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">21
-                <a class="prev" href="#slide20"></a>
-                <a class="next" href="#slide22"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide22">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Linear Classificateurs</h3>
-            <ul>
-                <li>Fonction linéaire attribuant un score à chaque catégorie possible en combinant le vecteur de
-                    caractéristiques d'une instance avec un vecteur de poids, en utilisant un produit de points.</li>
-                <li>Formalisation :
-                    <ul>
-                        <li>Soit <i><b>X</b></i> être l'espace de saisie des caractéristiques et <i><b>x</b><sub>i</sub>
-                                &#8712; <b>X</b></i></li>
-                        <li>Soit <i><b>&#946;</b><sub>k</sub></i> un vecteur de poids pour la catégorie <i>k</i></li>
-                        <li><i>score(<b>x</b><sub>i</sub>, k) = <b>x</b><sub>i</sub>.<b>&#946;</b><sub>k</sub></i>,
-                            score pour l'attribution de la catégorie <i>k</i> à l'instance <i><b>x</b><sub>i</sub></i>.
-                            La catégorie qui donne le score le plus élevé est
-                            attribuée à la catégorie de l'instance.</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">22
-                <a class="prev" href="#slide21"></a>
-                <a class="next" href="#slide23"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide23">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Évaluation</h3>
-            <p>Dans le contexte de la classification en apprentissage machine, l'évaluation des performances d'un modèle
-                implique la compréhension de différents types de prédictions qu'il peut faire par rapport à la réalité.
-                Les vrais positifs (VP) et les vrais négatifs (VN) sont deux de ces éléments.</p>
-            <ul>
-                <li><b>Vrais Positifs (VP/TP)</b> : Les vrais positifs représentent les cas où le modèle prédit
-                    correctement la classe positive. En d'autres termes, il a correctement identifié les exemples qui
-                    appartiennent réellement à la classe que le modèle essaie de prédire.</li>
-                <li><b>Vrais Négatifs (VN/FN)</b> : Les vrais négatifs représentent les cas où le modèle prédit
-                    correctement la classe négative. Cela signifie qu'il a correctement identifié les exemples qui
-                    n'appartiennent pas à la classe que le modèle essaie de prédire.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">23
-                <a class="prev" href="#slide22"></a>
-                <a class="next" href="#slide24"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide24">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Évaluation</h3>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2018/DataMining/positivenegative.svg" width="400vw" />
-                <figcaption>Les vrais positifs et les vrais négatifs</figcaption>
-            </figure>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2018/DataMining/Precisionrecall.svg" width="400vw" />
-                <figcaption>Précision et rappel</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">24
-                <a class="prev" href="#slide23"></a>
-                <a class="next" href="#slide25"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide25">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Évaluation</h3>
-            <p>Soit</p>
-            <ul>
-                <li><i>tp</i>: nombre de vrais postifs</li>
-                <li><i>fp</i>: nombre de faux positifs</li>
-                <li><i>fn</i>: nombre de faux négatifs</li>
-            </ul>
-            <figure class="gridcontent">
-                <img src="../../../../../en/teaching/courses/2018/DataMining/Precisionrecall.svg" height="400px" />
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">25
-                <a class="prev" href="#slide24"></a>
-                <a class="next" href="#slide26"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide26">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Évaluation</h3>
-            <p>La <b>précision</b> mesure la proportion de prédictions positives faites par le modèle qui étaient
-                <b>effectivement correctes</b>, tandis que le <b>rappel</b> mesure la proportion d'exemples positifs
-                réels qui ont été correctement identifiés par le modèle. Alors</p>
-            <ul>
-                <li>Précision \[p = \frac{tp}{(tp + fp)}\]</li>
-                <li>Rappel (Recall) \[r = \frac{tp}{(tp + fn)}\]</i>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">26
-                <a class="prev" href="#slide25"></a>
-                <a class="next" href="#slide27"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide27">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Évaluation</h3>
-            <p>Le F1-score est la moyenne harmonique de la précision et du rappel. Il fournit une mesure globale de la
-                performance d'un modèle de classification, tenant compte à la fois de la précision et du rappel. Il est
-                particulièrement utile lorsque les classes sont déséquilibrées.</p>
-            <ul>
-                <li>F1-score \[f1 = 2 * \frac{(p * r)}{(p + r)}\]</li>
-                <li>F1-score: meilleure valeur à 1 (précision et rappel parfaits) et pire à 0.</li>
-            </ul>
-            <p>Le F1-score tient compte à la fois des <b>erreurs de type I (faux positifs)</b> et des <b>erreurs de type
-                    II (faux négatifs)</b>, fournissant ainsi une mesure équilibrée de la performance du modèle.</p>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">27
-                <a class="prev" href="#slide26"></a>
-                <a class="next" href="#slide28"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide28">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Évaluation</h3>
-            <ul>
-                <li>\(F_\beta\)-score utilise un facteur réel positif β, où β est choisi de telle sorte que le rappel
-                    est considéré comme β fois plus important que la précision, est : </li>
-                <li>\(F_\beta\)-score \[F_\beta = (1 + \beta^2) \cdot \frac{\mathrm{p} \cdot \mathrm{r}}{(\beta^2 \cdot
-                    \mathrm{p}) + \mathrm{r}}\]</li>
-                <li>Exemple: <b>\(F_2\) score</b>: Cette métrique est souvent utilisée dans des situations où le rappel
-                    est jugé plus critique que la précision, par exemple, dans des tâches où la détection des exemples
-                    positifs est particulièrement importante, même si cela entraîne un nombre plus élevé de faux
-                    positifs.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">28
-                <a class="prev" href="#slide27"></a>
-                <a class="next" href="#slide29"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide29">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <p>Le \(F_2\)-score est souvent utilisé dans des domaines où le rappel est considéré comme plus critique que
-                la précision. </p>
-            <ul>
-                <li><b>Détection de Maladies</b> : Dans le domaine médical, en particulier pour la détection de maladies
-                    graves, le F2-score peut être utilisé pour évaluer la performance des modèles. Il est crucial
-                    d'identifier correctement autant de cas positifs que possible, même si cela conduit à quelques faux
-                    positifs.</li>
-                <li><b>Sécurité et Détection d'Intrusion</b> : Lors de la détection d'intrusions dans les systèmes
-                    informatiques, il est souvent plus important de minimiser les faux négatifs (intrusions manquées) au
-                    profit de quelques faux positifs, d'où l'utilisation du F2-score.</li>
-                <li><b>Recherche Biomédicale</b> : Dans des domaines de recherche biomédicale où la découverte de
-                    certaines caractéristiques ou protéines spécifiques est critique, le F2-score peut être privilégié
-                    pour s'assurer que ces éléments sont correctement identifiés.</li>
-                <li><b>Prévision de Catastrophes Naturelles</b> : Lors de la prévision de catastrophes naturelles comme
-                    les tremblements de terre ou les tsunamis, il est essentiel de minimiser les faux négatifs pour
-                    garantir que le maximum d'avertissements est donné, même au prix de quelques alertes erronées.</li>
-                <li><b>Recherche en Astronomie</b> : Dans la recherche astronomique, la découverte de nouveaux objets
-                    célestes ou de phénomènes rares peut être cruciale. Le F2-score peut être utilisé pour évaluer les
-                    performances des algorithmes de détection.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">29
-                <a class="prev" href="#slide28"></a>
-                <a class="next" href="#slide30"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide30">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h2 class="topicsubheading">Évaluation: matrice de confusion</h2>
-            <p>La matrice de confusion est un outil essentiel dans l'évaluation des performances d'un système de
-                classification. Elle fournit une vue détaillée des prédictions faites par le modèle par rapport aux
-                classes réelles.</p>
-            <ul>
-                <li>Chaque ligne de la matrice représente les instances d'une classe prédite.</li>
-                <li>Chaque colonne représente les instances d'une classe réelle.</li>
-                <li>Toutes les prédictions correctes sont situées dans la diagonale du tableau.</li>
-                <li>Les erreurs de prédiction sont représentées par des valeurs situées en dehors de la diagonale
-                    principale.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">30
-                <a class="prev" href="#slide29"></a>
-                <a class="next" href="#slide31"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide31">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Évaluation: matrice de confusion</h3>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/DataMining/confusionmatrix.png" height="400px" />
-                <figcaption>Matrice de confusion pour un classificateur SVM pour les chiffres manuscrits (MNIST)
-                </figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">31
-                <a class="prev" href="#slide30"></a>
-                <a class="next" href="#slide32"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide32">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Évaluation: matrice de confusion</h3>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/DataMining/confusionmatrix1.png" height="400px" />
-                <figcaption>Matrice de confusion pour un perceptron pour les chiffres manuscrits (MNIST)</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">32
-                <a class="prev" href="#slide31"></a>
-                <a class="next" href="#slide33"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide33">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse</h3>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/MachineLearning/multiclassclassifier.svg"
-                    height="400px" />
-                <figcaption>Classification multiclasse</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">33
-                <a class="prev" href="#slide32"></a>
-                <a class="next" href="#slide34"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide34">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse [Aly 2005]</h3>
-            <ul>
-                <li>Transformation en classification binaire
-                    <ul>
-                        <li>L'approche un contre le reste (Un contre tous)</li>
-                        <li>L'approche un-contre-un</li>
-                    </ul>
-                </li>
-                <li>Extension de la classification binaire
-                    <ul>
-                        <li>Réseaux de neurones</li>
-                        <li>k-voisins les plus proches</li>
-                    </ul>
-                </li>
-                <li>la classification hiérarchique.</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">34
-                <a class="prev" href="#slide33"></a>
-                <a class="next" href="#slide35"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide35">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse</h3>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/MachineLearning/multiclassclassifier.svg"
-                    height="400px" />
-                <figcaption>Classification multiclasse</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">35
-                <a class="prev" href="#slide34"></a>
-                <a class="next" href="#slide36"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide36">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse</h3>
-            <h3 class="topicsubheading">One-vs.-rest (One-vs.-all) strategy</h3>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/MachineLearning/onevsall.svg" height="350px" />
-                <figcaption>La strategie un-contre le rest pour la classification multiclasse</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">36
-                <a class="prev" href="#slide35"></a>
-                <a class="next" href="#slide37"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide37">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse</h3>
-            <h3 class="topicsubheading">One-vs.-rest or One-vs.-all (OvR, OvA) strategy</h3>
-            <ul>
-                <li>Entraîner un seul classificateur par classe, avec les échantillons de cette classe comme
-                    échantillons positifs et tous les autres comme négatifs. </li>
-                <li>Chaque classificateur produit un score de confiance réel pour sa décision</li>
-            </ul>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/MachineLearning/onevsall.svg" height="200px" />
-                <figcaption>La strategie un-contre le rest pour la classification multiclasse</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">37
-                <a class="prev" href="#slide36"></a>
-                <a class="next" href="#slide38"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide38">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse</h3>
-            <h3 class="topicsubheading">One-vs.-rest or One-vs.-all (OvR, OvA) strategy</h3>
-            <ul>
-                <li>Entrées :
-                    <ul>
-                        <li>\(L\), un apprenant (algorithme d'entraînement pour les classificateurs binaires)</li>
-                        <li>échantillons \(X\)</li>
-                        <li>étiquettes \(y\), où \(y_i ∈ \{1,..,K \} \) est l'étiquette de l'échantillon \(X_i\)
-                    </ul>
-                </li>
-                <li>Sortie :
-                    <ul>
-                        <li>une liste de classificateurs \(f_k\), où \(k ∈ \{1,..,K \} \)
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">38
-                <a class="prev" href="#slide37"></a>
-                <a class="next" href="#slide39"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide39">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse</h3>
-            <h3 class="topicsubheading">One-vs.-rest or One-vs.-all (OvR, OvA) strategy</h3>
-            <p>Prendre des décisions signifie appliquer tous les classificateurs à un échantillon invisible x et prédire
-                l'étiquette k pour laquelle le classificateur correspondant rapporte le score de confiance le plus élevé
-                : \[\hat{y} = \underset{k \in
-                \{1 \ldots K\}}{\arg\!\max}\; f_k(x)\]</p>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">39
-                <a class="prev" href="#slide38"></a>
-                <a class="next" href="#slide40"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide40">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse</h3>
-            <h3 class="topicsubheading">One-vs.-one strategy</h3>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/MachineLearning/onevsone.svg" height="300px" />
-                <figcaption>La strategie un-contre-un pour la classification multiclasse</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">40
-                <a class="prev" href="#slide39"></a>
-                <a class="next" href="#slide41"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide41">
-        <div class="header">
-            <h1>2.2. Méthodes de classification</h1>
-        </div>
-        <div class="content">
-            <h3 class="topicsubheading">Classification multiclasse</h3>
-            <h3 class="topicsubheading">One-vs.-one strategy</h3>
-            <li>nécessite l'entraînement des \(\frac{K (K - 1)}{2}\) classificateurs binaires</li>
-            <li>chaque classificateur reçoit les échantillons d'une paire de classes du jeu de formation original, et
-                doit apprendre à distinguer ces deux classes.</li>
-            <li>Au moment de la prédiction, un système de vote est appliqué : tous les \(\frac{K (K - 1)}{2}\)
-                classificateurs sont appliqués à un échantillon non vu et la classe qui a obtenu le plus grand nombre de
-                prédictions est prédite par le classificateur
-                combiné.
-            </li>
-            <figure>
-                <img src="../../../../../en/teaching/courses/2019/MachineLearning/onevsone.svg" width="200vw" />
-                <figcaption>La strategie un-contre-un pour la classification multiclasse</figcaption>
-            </figure>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">41
-                <a class="prev" href="#slide40"></a>
-                <a class="next" href="#slide42"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide42">
-        <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Neurones biologiques</h2>
@@ -1796,15 +719,15 @@ <h2 class="topicsubheading">Neurones biologiques</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">42
-                <a class="prev" href="#slide41"></a>
-                <a class="next" href="#slide43"></a>
+            <div class="navigation">2
+                <a class="prev" href="#slide1"></a>
+                <a class="next" href="#slide3"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide43">
+    <section class="slide" id="slide3">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h3 class="topicsubheading">Introduction</h3>
@@ -1815,15 +738,15 @@ <h3 class="topicsubheading">Introduction</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">43
-                <a class="prev" href="#slide42"></a>
-                <a class="next" href="#slide44"></a>
+            <div class="navigation">3
+                <a class="prev" href="#slide2"></a>
+                <a class="next" href="#slide4"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide44">
+    <section class="slide" id="slide4">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Réseau de neurones</h2>
@@ -1845,15 +768,15 @@ <h2 class="topicsubheading">Réseau de neurones</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">44
-                <a class="prev" href="#slide43"></a>
-                <a class="next" href="#slide45"></a>
+            <div class="navigation">4
+                <a class="prev" href="#slide3"></a>
+                <a class="next" href="#slide5"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide45">
+    <section class="slide" id="slide5">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Réseau de neurones</h2>
@@ -1871,15 +794,15 @@ <h2 class="topicsubheading">Réseau de neurones</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">45
-                <a class="prev" href="#slide44"></a>
-                <a class="next" href="#slide46"></a>
+            <div class="navigation">5
+                <a class="prev" href="#slide4"></a>
+                <a class="next" href="#slide6"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide46">
+    <section class="slide" id="slide6">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Les couches</h2>
@@ -1900,15 +823,15 @@ <h2 class="topicsubheading">Les couches</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">46
-                <a class="prev" href="#slide45"></a>
-                <a class="next" href="#slide47"></a>
+            <div class="navigation">6
+                <a class="prev" href="#slide5"></a>
+                <a class="next" href="#slide7"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide47">
+    <section class="slide" id="slide7">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Les couches</h2>
@@ -1928,15 +851,15 @@ <h2 class="topicsubheading">Les couches</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">47
-                <a class="prev" href="#slide46"></a>
-                <a class="next" href="#slide48"></a>
+            <div class="navigation">7
+                <a class="prev" href="#slide6"></a>
+                <a class="next" href="#slide8"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide48">
+    <section class="slide" id="slide8">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">L'entraînement</h2>
@@ -1959,15 +882,15 @@ <h2 class="topicsubheading">L'entraînement</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">48
-                <a class="prev" href="#slide47"></a>
-                <a class="next" href="#slide49"></a>
+            <div class="navigation">8
+                <a class="prev" href="#slide7"></a>
+                <a class="next" href="#slide9"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide49">
+    <section class="slide" id="slide9">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">L'entraînement</h2>
@@ -1985,15 +908,15 @@ <h2 class="topicsubheading">L'entraînement</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">49
-                <a class="prev" href="#slide48"></a>
-                <a class="next" href="#slide50"></a>
+            <div class="navigation">9
+                <a class="prev" href="#slide8"></a>
+                <a class="next" href="#slide10"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide50">
+    <section class="slide" id="slide10">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Composants des réseaux de neurones artificiels</h2>
@@ -2015,15 +938,15 @@ <h2 class="topicsubheading">Composants des réseaux de neurones artificiels</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">50
-                <a class="prev" href="#slide49"></a>
-                <a class="next" href="#slide51"></a>
+            <div class="navigation">10
+                <a class="prev" href="#slide9"></a>
+                <a class="next" href="#slide11"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide51">
+    <section class="slide" id="slide11">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Composants des réseaux de neurones artificiels</h2>
@@ -2046,15 +969,15 @@ <h2 class="topicsubheading">Neurones</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">51
-                <a class="prev" href="#slide50"></a>
-                <a class="next" href="#slide52"></a>
+            <div class="navigation">11
+                <a class="prev" href="#slide10"></a>
+                <a class="next" href="#slide12"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide52">
+    <section class="slide" id="slide12">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Composants des réseaux de neurones artificiels</h2>
@@ -2074,15 +997,15 @@ <h2 class="topicsubheading">Connexions et poids</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">52
-                <a class="prev" href="#slide51"></a>
-                <a class="next" href="#slide53"></a>
+            <div class="navigation">12
+                <a class="prev" href="#slide11"></a>
+                <a class="next" href="#slide13"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide53">
+    <section class="slide" id="slide13">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Composants des réseaux de neurones artificiels</h2>
@@ -2095,15 +1018,15 @@ <h2 class="topicsubheading">Fonction de propagation</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">53
-                <a class="prev" href="#slide52"></a>
-                <a class="next" href="#slide54"></a>
+            <div class="navigation">13
+                <a class="prev" href="#slide12"></a>
+                <a class="next" href="#slide14"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide54">
+    <section class="slide" id="slide14">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Composants des réseaux de neurones artificiels</h2>
@@ -2119,15 +1042,15 @@ <h2 class="topicsubheading">Fonction de propagation</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">54
-                <a class="prev" href="#slide53"></a>
-                <a class="next" href="#slide55"></a>
+            <div class="navigation">14
+                <a class="prev" href="#slide13"></a>
+                <a class="next" href="#slide15"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide55">
+    <section class="slide" id="slide15">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Composants des réseaux de neurones artificiels</h2>
@@ -2147,15 +1070,15 @@ <h2 class="topicsubheading">Fonction de propagation</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">55
-                <a class="prev" href="#slide54"></a>
-                <a class="next" href="#slide56"></a>
+            <div class="navigation">15
+                <a class="prev" href="#slide14"></a>
+                <a class="next" href="#slide16"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide56">
+    <section class="slide" id="slide16">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h3 class="topicsubheading">Perceptron</h3>
@@ -2178,15 +1101,15 @@ <h3 class="topicsubheading">Perceptron</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">56
-                <a class="prev" href="#slide55"></a>
-                <a class="next" href="#slide57"></a>
+            <div class="navigation">16
+                <a class="prev" href="#slide15"></a>
+                <a class="next" href="#slide17"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide57">
+    <section class="slide" id="slide17">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Perceptron</h1>
@@ -2201,15 +1124,15 @@ <h1 class="topicsubheading">Perceptron</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">57
-                <a class="prev" href="#slide56"></a>
-                <a class="next" href="#slide58"></a>
+            <div class="navigation">17
+                <a class="prev" href="#slide16"></a>
+                <a class="next" href="#slide18"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide58">
+    <section class="slide" id="slide18">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Perceptron</h1>
@@ -2220,15 +1143,15 @@ <h1 class="topicsubheading">Perceptron</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">58
-                <a class="prev" href="#slide57"></a>
-                <a class="next" href="#slide59"></a>
+            <div class="navigation">18
+                <a class="prev" href="#slide17"></a>
+                <a class="next" href="#slide19"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide59">
+    <section class="slide" id="slide19">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Perceptron: Définition formelle</h1>
@@ -2250,15 +1173,15 @@ <h1 class="topicsubheading">Perceptron: Définition formelle</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">59
-                <a class="prev" href="#slide58"></a>
-                <a class="next" href="#slide60"></a>
+            <div class="navigation">19
+                <a class="prev" href="#slide18"></a>
+                <a class="next" href="#slide20"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide60">
+    <section class="slide" id="slide20">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h1>Perceptron: Définition formelle</h1>
@@ -2274,15 +1197,15 @@ <h1>Perceptron: Définition formelle</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">60
-                <a class="prev" href="#slide59"></a>
-                <a class="next" href="#slide61"></a>
+            <div class="navigation">20
+                <a class="prev" href="#slide19"></a>
+                <a class="next" href="#slide21"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide61">
+    <section class="slide" id="slide21">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h1>Perceptron : Étapes</h1>
@@ -2299,15 +1222,15 @@ <h1>Perceptron : Étapes</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">61
-                <a class="prev" href="#slide60"></a>
-                <a class="next" href="#slide62"></a>
+            <div class="navigation">21
+                <a class="prev" href="#slide20"></a>
+                <a class="next" href="#slide22"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide62">
+    <section class="slide" id="slide22">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h1>Perceptron : Étapes</h1>
@@ -2320,15 +1243,15 @@ <h1>Perceptron : Étapes</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">62
-                <a class="prev" href="#slide61"></a>
-                <a class="next" href="#slide63"></a>
+            <div class="navigation">22
+                <a class="prev" href="#slide21"></a>
+                <a class="next" href="#slide23"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide63">
+    <section class="slide" id="slide23">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Fonction d'Échelon (Step Function)</h2>
@@ -2341,15 +1264,15 @@ <h4>Définition</h4>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">63
-                <a class="prev" href="#slide62"></a>
-                <a class="next" href="#slide64"></a>
+            <div class="navigation">23
+                <a class="prev" href="#slide22"></a>
+                <a class="next" href="#slide24"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide64">
+    <section class="slide" id="slide24">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Fonction d'activation: fonction d'identité</h2>
@@ -2366,15 +1289,15 @@ <h3></h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">64
-                <a class="prev" href="#slide63"></a>
-                <a class="next" href="#slide65"></a>
+            <div class="navigation">24
+                <a class="prev" href="#slide23"></a>
+                <a class="next" href="#slide25"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide65">
+    <section class="slide" id="slide25">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h1 class="topicsubheading">Fonction d'activation: pas binaire</h2>
@@ -2391,15 +1314,15 @@ <h4>Dérivée</h4>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">65
-                <a class="prev" href="#slide64"></a>
-                <a class="next" href="#slide66"></a>
+            <div class="navigation">25
+                <a class="prev" href="#slide24"></a>
+                <a class="next" href="#slide26"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide66">
+    <section class="slide" id="slide26">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Fonction d'activation: fonction sigmoïde</h2>
@@ -2414,15 +1337,15 @@ <h4>Dérivée</h4>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">66
-                <a class="prev" href="#slide65"></a>
-                <a class="next" href="#slide67"></a>
+            <div class="navigation">26
+                <a class="prev" href="#slide25"></a>
+                <a class="next" href="#slide27"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide67">
+    <section class="slide" id="slide27">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Fonction d'activation: TanH</h2>
@@ -2437,15 +1360,15 @@ <h4>Dérivée</h4>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">67
-                <a class="prev" href="#slide66"></a>
-                <a class="next" href="#slide68"></a>
+            <div class="navigation">27
+                <a class="prev" href="#slide26"></a>
+                <a class="next" href="#slide28"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide68">
+    <section class="slide" id="slide28">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Fonction d'activation: Rectified linear unit: ReLU</h2>
@@ -2462,15 +1385,15 @@ <h4>Dérivée</h4>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">68
-                <a class="prev" href="#slide67"></a>
-                <a class="next" href="#slide69"></a>
+            <div class="navigation">28
+                <a class="prev" href="#slide27"></a>
+                <a class="next" href="#slide29"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide69">
+    <section class="slide" id="slide29">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Fonction d'activation: Gaussien</h2>
@@ -2486,15 +1409,15 @@ <h4>Dérivée</h4>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">69
-                <a class="prev" href="#slide68"></a>
-                <a class="next" href="#slide70"></a>
+            <div class="navigation">29
+                <a class="prev" href="#slide28"></a>
+                <a class="next" href="#slide30"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide70">
+    <section class="slide" id="slide30">
         <div class="header">
-            <h1>2.3. Réseaux de neurones artificiels</h1>
+            <h1>2.1. Réseaux de neurones artificiels</h1>
         </div>
         <div class="content">
             <h2 class="topicsubheading">Perceptron multiclasse</h2>
@@ -2514,178 +1437,13 @@ <h2 class="topicsubheading">Perceptron multiclasse</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">70
-                <a class="prev" href="#slide69"></a>
-                <a class="next" href="#slide71"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide71">
-        <div class="header">
-            <h1>2.4. Réseaux de neurones profonds</h1>
-        </div>
-        <div class="content">
-            <p>Un <b>réseau de neurones profond</b>, également connu sous le nom de réseau de neurones profondément
-                hiérarchisé ou réseau neuronal profond (DNN pour Deep Neural Network en anglais), est un type de réseau
-                de neurones artificiels qui comprend plusieurs couches de traitement, généralement plus de deux. Ces
-                réseaux sont appelés "profonds" en raison de leur architecture empilée de couches, permettant la
-                création de représentations hiérarchiques complexes des données.</p>
-            <p><b>Architecture en couches</b> : Les réseaux de neurones profonds sont composés de multiples couches,
-                généralement divisées en trois types principaux :</p>
-            <ul>
-                <li><b>Couche d'Entrée</b> : Reçoit les données brutes ou caractéristiques en entrée.</li>
-                <li><b>Couches Cachées</b> : Effectuent des transformations non linéaires et apprennent des
-                    représentations hiérarchiques des données.</li>
-                <li><b>Couche de Sortie</b> : Produit la sortie du réseau, adaptée à la tâche spécifique
-                    (classification, régression, etc.).</li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">71
-                <a class="prev" href="#slide70"></a>
-                <a class="next" href="#slide72"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide72">
-        <div class="header">
-            <h1>2.4. Réseaux de neurones profonds</h1>
-        </div>
-        <div class="content">
-            <ul>
-                <li><b>Apprentissage Hiérarchique</b> : Les couches cachées d'un réseau de neurones profond apprennent
-                    des caractéristiques de plus en plus abstraites et complexes à mesure que l'on progresse en
-                    profondeur. Chaque couche représente une abstraction des caractéristiques extraites par les couches
-                    précédentes.</li>
-                <li><b>Fonctions d'Activation</b> : Des fonctions d'activation non linéaires, telles que ReLU (Rectified
-                    Linear Unit) ou ses variantes, sont couramment utilisées dans les couches cachées pour permettre au
-                    réseau d'apprendre des relations non linéaires.</li>
-                <li><b>Apprentissage Profond</b> : L'apprentissage profond implique l'ajustement simultané des poids de
-                    toutes les couches du réseau pour minimiser l'erreur de prédiction. Cela est généralement réalisé en
-                    utilisant des techniques de rétropropagation et de descente de gradient.</li>
-                <li><b>Utilisations</b> : Les réseaux de neurones profonds sont utilisés dans une variété de tâches,
-                    notamment la vision par ordinateur, la reconnaissance vocale, le traitement du langage naturel, la
-                    traduction automatique, la recommandation de contenu, et bien d'autres. Leur capacité à apprendre
-                    des représentations complexes a conduit à des avancées significatives dans de nombreux domaines de
-                    l'intelligence artificielle.</li>
-            </ul>
-            <p>L'entraînement de réseaux de neurones profonds peut nécessiter des volumes importants de données et de
-                puissance de calcul. </p>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">72
-                <a class="prev" href="#slide71"></a>
-                <a class="next" href="#slide73"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide73">
-        <div class="header">
-            <h1>2.4. Réseaux de neurones profonds</h1>
-        </div>
-        <div class="content">
-            <p>Il existe plusieurs types de réseaux de neurones profonds.</p>
-            <ul>
-                <li><b style="color:#1B80CF">Réseaux de Neurones Convolutionnels (CNN)</b> :
-                    <ul>
-                        <li><b>Utilisation Principale</b> : Vision par ordinateur, reconnaissance d'images.</li>
-                        <li><b>Caractéristiques</b> : Les CNN sont efficaces pour extraire des motifs spatiaux à partir
-                            d'images en utilisant des opérations de convolution. Ils sont largement utilisés dans des
-                            applications telles que la classification d'images, la détection d'objets et la segmentation
-                            d'images.</li>
-                    </ul>
-                </li>
-                <li><b style="color:#1B80CF">Réseaux de Neurones Récurrents (RNN)</b> :
-                    <ul>
-                        <li><b>Utilisation Principale</b> : Traitement de séquences, traitement du langage naturel.</li>
-                        <li><b> Caractéristiques</b> : Les RNN sont conçus pour traiter des données séquentielles en
-                            utilisant des connexions récurrentes qui leur permettent de conserver une mémoire à long
-                            terme. Ils sont utilisés pour des tâches telles que la traduction automatique, la génération
-                            de texte et l'analyse de séquences temporelles.</li>
-                    </ul>
-                </li>
-
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">73
-                <a class="prev" href="#slide72"></a>
-                <a class="next" href="#slide74"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide74">
-        <div class="header">
-            <h1>2.4. Réseaux de neurones profonds</h1>
-        </div>
-        <div class="content">
-            <ul>
-                <li><b style="color:#1B80CF">Réseaux de Neurones Générateurs Adverses (GAN)</b> :
-                    <ul>
-                        <li><b> Utilisation Principale</b> : Génération d'images réalistes.</li>
-                        <li><b> Caractéristiques</b> : Les GAN sont composés de deux réseaux, un générateur et un
-                            discriminateur, qui s'entraînent de manière adversaire. Les GAN sont utilisés pour générer
-                            des données réalistes, y compris des images, des vidéos et du son.</li>
-                    </ul>
-                </li>
-                <li><b style="color:#1B80CF">Réseaux de Neurones Résiduels (ResNet)</b> :
-                    <ul>
-                        <li><b> Utilisation Principale</b> : Classification d'images profondes.</li>
-                        <li><b> Caractéristiques</b> : Les architectures ResNet utilisent des connexions résiduelles
-                            pour faciliter l'apprentissage profond en surmontant le problème du "vanishing gradient".
-                            Ils sont fréquemment utilisés dans des compétitions de classification d'images.</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">74
-                <a class="prev" href="#slide73"></a>
-                <a class="next" href="#slide75"></a>
-            </div>
-        </div>
-    </section>
-    <section class="slide" id="slide75">
-        <div class="header">
-            <h1>2.4. Réseaux de neurones profonds</h1>
-        </div>
-        <div class="content">
-            <ul>
-
-                <li><b style="color:#1B80CF">Autoencodeurs et Variational Autoencoders (VAE)</b> :
-                    <ul>
-                        <li><b> Utilisation Principale</b> : Compression et génération de données.
-                        <li><b> Caractéristiques</b> : Les autoencodeurs sont utilisés pour apprendre des
-                            représentations compactes de données en comprimant et en reconstruisant les informations.
-                            Les VAE introduisent des composants probabilistes, permettant de générer de nouvelles
-                            données similaires aux données d'entraînement.
-                    </ul>
-                </li>
-
-                <li><b style="color:#1B80CF">Réseaux de Neurones de Mémoire à Long Terme (LSTM)</b> :
-                    <ul>
-                        <li><b> Utilisation Principale</b> : Traitement du langage naturel, séquences temporelles.</li>
-                        <li><b> Caractéristiques</b> : Les LSTMs sont une variation des RNN qui intègrent des mécanismes
-                            de portes pour mieux gérer le problème du gradient qui s'estompe sur de longues séquences.
-                            Ils sont couramment utilisés dans la génération de texte et d'autres tâches basées sur des
-                            séquences.</li>
-                    </ul>
-                </li>
-            </ul>
-        </div>
-        <div class="footer">
-            <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">75
-                <a class="prev" href="#slide74"></a>
-                <a class="next" href="#slide76"></a>
+            <div class="navigation">30
+                <a class="prev" href="#slide29"></a>
+                <a class="next" href="#slide31"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide76">
+    <section class="slide" id="slide31">
         <div class="header">
             <h1>Références</h1>
         </div>
@@ -2704,13 +1462,13 @@ <h1>Articles de recherche</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">76
-                <a class="prev" href="#slide75"></a>
-                <a class="next" href="#slide77"></a>
+            <div class="navigation">31
+                <a class="prev" href="#slide30"></a>
+                <a class="next" href="#slide32"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide77">
+    <section class="slide" id="slide32">
         <div class="header">
             <h1>Références:</h1>
         </div>
@@ -2731,13 +1489,13 @@ <h1>Web</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">77
-                <a class="prev" href="#slide76"></a>
-                <a class="next" href="#slide78"></a>
+            <div class="navigation">32
+                <a class="prev" href="#slide31"></a>
+                <a class="next" href="#slide33"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide78">
+    <section class="slide" id="slide33">
         <div class="header">
             <h1>Références:</h1>
         </div>
@@ -2776,14 +1534,14 @@ <h1>Wikipédia</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">78
-                <a class="prev" href="#slide77"></a>
-                <a class="next" href="#slide79"></a>
+            <div class="navigation">33
+                <a class="prev" href="#slide32"></a>
+                <a class="next" href="#slide34"></a>
             </div>
         </div>
     </section>
 
-    <section class="slide" id="slide79">
+    <section class="slide" id="slide34">
         <div class="header">
             <h1>Références:</h1>
         </div>
@@ -2816,13 +1574,13 @@ <h1>Wikipédia</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">79
-                <a class="prev" href="#slide78"></a>
-                <a class="next" href="#slide80"></a>
+            <div class="navigation">34
+                <a class="prev" href="#slide33"></a>
+                <a class="next" href="#slide35"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide80">
+    <section class="slide" id="slide35">
         <div class="header">
             <h1>Références:</h1>
         </div>
@@ -2838,8 +1596,8 @@ <h1>Images</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">80
-                <a class="prev" href="#slide79"></a>
+            <div class="navigation">35
+                <a class="prev" href="#slide34"></a>
             </div>
         </div>
     </section>
@@ -2853,7 +1611,7 @@ <h1>Images</h1>
                 if (!Number.isNaN(slideIdString)) {
                     slideId = parseInt(slideIdString);
                     if (isIncrement) {
-                        if (slideId < 80) {
+                        if (slideId < 35) {
                             slideId = slideId + 1;
                         }
                     } else {
diff --git a/fr/enseignement/cours/2024/IA-DeepLearning/cours3.html b/fr/enseignement/cours/2024/IA-DeepLearning/cours3.html
index 177326a8..cac97fd9 100644
--- a/fr/enseignement/cours/2024/IA-DeepLearning/cours3.html
+++ b/fr/enseignement/cours/2024/IA-DeepLearning/cours3.html
@@ -1713,6 +1713,171 @@ <h4>Optimiseurs</h4>
         </div>
     </section>
     <section class="slide" id="slide38">
+        <div class="header">
+            <h1>3.1. Apprentissage profond: réseaux de neurones profonds</h1>
+        </div>
+        <div class="content">
+            <p>Un <b>réseau de neurones profond</b>, également connu sous le nom de réseau de neurones profondément
+                hiérarchisé ou réseau neuronal profond (DNN pour Deep Neural Network en anglais), est un type de réseau
+                de neurones artificiels qui comprend plusieurs couches de traitement, généralement plus de deux. Ces
+                réseaux sont appelés "profonds" en raison de leur architecture empilée de couches, permettant la
+                création de représentations hiérarchiques complexes des données.</p>
+            <p><b>Architecture en couches</b> : Les réseaux de neurones profonds sont composés de multiples couches,
+                généralement divisées en trois types principaux :</p>
+            <ul>
+                <li><b>Couche d'Entrée</b> : Reçoit les données brutes ou caractéristiques en entrée.</li>
+                <li><b>Couches Cachées</b> : Effectuent des transformations non linéaires et apprennent des
+                    représentations hiérarchiques des données.</li>
+                <li><b>Couche de Sortie</b> : Produit la sortie du réseau, adaptée à la tâche spécifique
+                    (classification, régression, etc.).</li>
+            </ul>
+        </div>
+        <div class="footer">
+            <div class="contact">Apprentissage machine | John Samuel</div>
+            <div class="navigation">38
+                <a class="prev" href="#slide37"></a>
+                <a class="next" href="#slide39"></a>
+            </div>
+        </div>
+    </section>
+    <section class="slide" id="slide39">
+        <div class="header">
+            <h1>3.1. Apprentissage profond: réseaux de neurones profonds</h1>
+        </div>
+        <div class="content">
+            <ul>
+                <li><b>Apprentissage Hiérarchique</b> : Les couches cachées d'un réseau de neurones profond apprennent
+                    des caractéristiques de plus en plus abstraites et complexes à mesure que l'on progresse en
+                    profondeur. Chaque couche représente une abstraction des caractéristiques extraites par les couches
+                    précédentes.</li>
+                <li><b>Fonctions d'Activation</b> : Des fonctions d'activation non linéaires, telles que ReLU (Rectified
+                    Linear Unit) ou ses variantes, sont couramment utilisées dans les couches cachées pour permettre au
+                    réseau d'apprendre des relations non linéaires.</li>
+                <li><b>Apprentissage Profond</b> : L'apprentissage profond implique l'ajustement simultané des poids de
+                    toutes les couches du réseau pour minimiser l'erreur de prédiction. Cela est généralement réalisé en
+                    utilisant des techniques de rétropropagation et de descente de gradient.</li>
+                <li><b>Utilisations</b> : Les réseaux de neurones profonds sont utilisés dans une variété de tâches,
+                    notamment la vision par ordinateur, la reconnaissance vocale, le traitement du langage naturel, la
+                    traduction automatique, la recommandation de contenu, et bien d'autres. Leur capacité à apprendre
+                    des représentations complexes a conduit à des avancées significatives dans de nombreux domaines de
+                    l'intelligence artificielle.</li>
+            </ul>
+            <p>L'entraînement de réseaux de neurones profonds peut nécessiter des volumes importants de données et de
+                puissance de calcul. </p>
+        </div>
+        <div class="footer">
+            <div class="contact">Apprentissage machine | John Samuel</div>
+            <div class="navigation">39
+                <a class="prev" href="#slide38"></a>
+                <a class="next" href="#slide40"></a>
+            </div>
+        </div>
+    </section>
+    <section class="slide" id="slide40">
+        <div class="header">
+            <h1>3.1. Apprentissage profond: réseaux de neurones profonds</h1>
+        </div>
+        <div class="content">
+            <p>Il existe plusieurs types de réseaux de neurones profonds.</p>
+            <ul>
+                <li><b style="color:#1B80CF">Réseaux de Neurones Convolutionnels (CNN)</b> :
+                    <ul>
+                        <li><b>Utilisation Principale</b> : Vision par ordinateur, reconnaissance d'images.</li>
+                        <li><b>Caractéristiques</b> : Les CNN sont efficaces pour extraire des motifs spatiaux à partir
+                            d'images en utilisant des opérations de convolution. Ils sont largement utilisés dans des
+                            applications telles que la classification d'images, la détection d'objets et la segmentation
+                            d'images.</li>
+                    </ul>
+                </li>
+                <li><b style="color:#1B80CF">Réseaux de Neurones Récurrents (RNN)</b> :
+                    <ul>
+                        <li><b>Utilisation Principale</b> : Traitement de séquences, traitement du langage naturel.</li>
+                        <li><b> Caractéristiques</b> : Les RNN sont conçus pour traiter des données séquentielles en
+                            utilisant des connexions récurrentes qui leur permettent de conserver une mémoire à long
+                            terme. Ils sont utilisés pour des tâches telles que la traduction automatique, la génération
+                            de texte et l'analyse de séquences temporelles.</li>
+                    </ul>
+                </li>
+
+            </ul>
+        </div>
+        <div class="footer">
+            <div class="contact">Apprentissage machine | John Samuel</div>
+            <div class="navigation">40
+                <a class="prev" href="#slide39"></a>
+                <a class="next" href="#slide41"></a>
+            </div>
+        </div>
+    </section>
+    <section class="slide" id="slide41">
+        <div class="header">
+            <h1>3.1. Apprentissage profond: réseaux de neurones profonds</h1>
+        </div>
+        <div class="content">
+            <ul>
+                <li><b style="color:#1B80CF">Réseaux de Neurones Générateurs Adverses (GAN)</b> :
+                    <ul>
+                        <li><b> Utilisation Principale</b> : Génération d'images réalistes.</li>
+                        <li><b> Caractéristiques</b> : Les GAN sont composés de deux réseaux, un générateur et un
+                            discriminateur, qui s'entraînent de manière adversaire. Les GAN sont utilisés pour générer
+                            des données réalistes, y compris des images, des vidéos et du son.</li>
+                    </ul>
+                </li>
+                <li><b style="color:#1B80CF">Réseaux de Neurones Résiduels (ResNet)</b> :
+                    <ul>
+                        <li><b> Utilisation Principale</b> : Classification d'images profondes.</li>
+                        <li><b> Caractéristiques</b> : Les architectures ResNet utilisent des connexions résiduelles
+                            pour faciliter l'apprentissage profond en surmontant le problème du "vanishing gradient".
+                            Ils sont fréquemment utilisés dans des compétitions de classification d'images.</li>
+                    </ul>
+                </li>
+            </ul>
+        </div>
+        <div class="footer">
+            <div class="contact">Apprentissage machine | John Samuel</div>
+            <div class="navigation">41
+                <a class="prev" href="#slide40"></a>
+                <a class="next" href="#slide42"></a>
+            </div>
+        </div>
+    </section>
+    <section class="slide" id="slide42">
+        <div class="header">
+            <h1>3.1. Apprentissage profond: réseaux de neurones profonds</h1>
+        </div>
+        <div class="content">
+            <ul>
+
+                <li><b style="color:#1B80CF">Autoencodeurs et Variational Autoencoders (VAE)</b> :
+                    <ul>
+                        <li><b> Utilisation Principale</b> : Compression et génération de données.
+                        <li><b> Caractéristiques</b> : Les autoencodeurs sont utilisés pour apprendre des
+                            représentations compactes de données en comprimant et en reconstruisant les informations.
+                            Les VAE introduisent des composants probabilistes, permettant de générer de nouvelles
+                            données similaires aux données d'entraînement.
+                    </ul>
+                </li>
+
+                <li><b style="color:#1B80CF">Réseaux de Neurones de Mémoire à Long Terme (LSTM)</b> :
+                    <ul>
+                        <li><b> Utilisation Principale</b> : Traitement du langage naturel, séquences temporelles.</li>
+                        <li><b> Caractéristiques</b> : Les LSTMs sont une variation des RNN qui intègrent des mécanismes
+                            de portes pour mieux gérer le problème du gradient qui s'estompe sur de longues séquences.
+                            Ils sont couramment utilisés dans la génération de texte et d'autres tâches basées sur des
+                            séquences.</li>
+                    </ul>
+                </li>
+            </ul>
+        </div>
+        <div class="footer">
+            <div class="contact">Apprentissage machine | John Samuel</div>
+            <div class="navigation">42
+                <a class="prev" href="#slide41"></a>
+                <a class="next" href="#slide43"></a>
+            </div>
+        </div>
+    </section>
+    <section class="slide" id="slide43">
         <div class="header">
             <h1>3.2. Feedforward neural network</h1>
         </div>
@@ -1730,13 +1895,13 @@ <h1 class="topicsubheading">Feedforward neural network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">38
-                <a class="prev" href="#slide37"></a>
-                <a class="next" href="#slide39"></a>
+            <div class="navigation">43
+                <a class="prev" href="#slide42"></a>
+                <a class="next" href="#slide44"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide39">
+    <section class="slide" id="slide44">
         <div class="header">
             <h1>3.2. Feedforward neural network</h1>
         </div>
@@ -1756,13 +1921,13 @@ <h1 class="topicsubheading">Feedforward neural network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">39
-                <a class="prev" href="#slide38"></a>
-                <a class="next" href="#slide40"></a>
+            <div class="navigation">44
+                <a class="prev" href="#slide43"></a>
+                <a class="next" href="#slide45"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide40">
+    <section class="slide" id="slide45">
         <div class="header">
             <h1>3.2. Feedforward neural network</h1>
         </div>
@@ -1783,13 +1948,13 @@ <h1 class="topicsubheading">Feedforward neural network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">40
-                <a class="prev" href="#slide39"></a>
-                <a class="next" href="#slide41"></a>
+            <div class="navigation">45
+                <a class="prev" href="#slide44"></a>
+                <a class="next" href="#slide46"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide41">
+    <section class="slide" id="slide46">
         <div class="header">
             <h1>3.2. Feedforward neural network</h1>
         </div>
@@ -1809,13 +1974,13 @@ <h1 class="topicsubheading">Rétropropagation du gradient (Backpropagation)</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">41
-                <a class="prev" href="#slide40"></a>
-                <a class="next" href="#slide42"></a>
+            <div class="navigation">46
+                <a class="prev" href="#slide45"></a>
+                <a class="next" href="#slide47"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide42">
+    <section class="slide" id="slide47">
         <div class="header">
             <h1>3.2. Feedforward neural network</h1>
         </div>
@@ -1839,13 +2004,13 @@ <h1 class="topicsubheading">Rétropropagation du gradient (Backpropagation)</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">42
-                <a class="prev" href="#slide41"></a>
-                <a class="next" href="#slide43"></a>
+            <div class="navigation">47
+                <a class="prev" href="#slide46"></a>
+                <a class="next" href="#slide48"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide43">
+    <section class="slide" id="slide48">
         <div class="header">
             <h1>3.2. Feedforward neural network</h1>
         </div>
@@ -1864,13 +2029,13 @@ <h1 class="topicsubheading">Rétropropagation du gradient (Backpropagation)</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">43
-                <a class="prev" href="#slide42"></a>
-                <a class="next" href="#slide44"></a>
+            <div class="navigation">48
+                <a class="prev" href="#slide47"></a>
+                <a class="next" href="#slide49"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide44">
+    <section class="slide" id="slide49">
         <div class="header">
             <h1>3.2. Feedforward neural network</h1>
         </div>
@@ -1886,13 +2051,13 @@ <h1 class="topicsubheading">Rétropropagation du gradient (Backpropagation)</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">44
-                <a class="prev" href="#slide43"></a>
-                <a class="next" href="#slide45"></a>
+            <div class="navigation">49
+                <a class="prev" href="#slide48"></a>
+                <a class="next" href="#slide50"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide45">
+    <section class="slide" id="slide50">
         <div class="header">
             <h1>3.2. Feedforward neural network</h1>
         </div>
@@ -1910,13 +2075,13 @@ <h1 class="topicsubheading">Rétropropagation du gradient (Backpropagation)</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">45
-                <a class="prev" href="#slide44"></a>
-                <a class="next" href="#slide46"></a>
+            <div class="navigation">50
+                <a class="prev" href="#slide49"></a>
+                <a class="next" href="#slide51"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide46">
+    <section class="slide" id="slide51">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -1938,13 +2103,13 @@ <h1 class="topicsubheading">Réseau de neurones récurrents</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">46
-                <a class="prev" href="#slide45"></a>
-                <a class="next" href="#slide47"></a>
+            <div class="navigation">51
+                <a class="prev" href="#slide50"></a>
+                <a class="next" href="#slide52"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide47">
+    <section class="slide" id="slide52">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -1961,13 +2126,13 @@ <h1 class="topicsubheading">Réseau de neurones récurrents</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">47
-                <a class="prev" href="#slide46"></a>
-                <a class="next" href="#slide48"></a>
+            <div class="navigation">52
+                <a class="prev" href="#slide51"></a>
+                <a class="next" href="#slide53"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide48">
+    <section class="slide" id="slide53">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -1981,13 +2146,13 @@ <h1 class="topicsubheading">Réseau de neurones récurrents</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">48
-                <a class="prev" href="#slide47"></a>
-                <a class="next" href="#slide49"></a>
+            <div class="navigation">53
+                <a class="prev" href="#slide52"></a>
+                <a class="next" href="#slide54"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide49">
+    <section class="slide" id="slide54">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2008,13 +2173,13 @@ <h1 class="topicsubheading">Réseau de neurones récurrents</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">49
-                <a class="prev" href="#slide48"></a>
-                <a class="next" href="#slide50"></a>
+            <div class="navigation">54
+                <a class="prev" href="#slide53"></a>
+                <a class="next" href="#slide55"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide50">
+    <section class="slide" id="slide55">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2036,13 +2201,13 @@ <h1 class="topicsubheading">Réseau de neurones récurrents</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">50
-                <a class="prev" href="#slide49"></a>
-                <a class="next" href="#slide51"></a>
+            <div class="navigation">55
+                <a class="prev" href="#slide54"></a>
+                <a class="next" href="#slide56"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide51">
+    <section class="slide" id="slide56">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2063,13 +2228,13 @@ <h1 class="topicsubheading">Réseau de neurones récurrents</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">51
-                <a class="prev" href="#slide50"></a>
-                <a class="next" href="#slide52"></a>
+            <div class="navigation">56
+                <a class="prev" href="#slide55"></a>
+                <a class="next" href="#slide57"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide52">
+    <section class="slide" id="slide57">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2089,13 +2254,13 @@ <h1 class="topicsubheading">Réseau de neurones récurrents</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">52
-                <a class="prev" href="#slide51"></a>
-                <a class="next" href="#slide53"></a>
+            <div class="navigation">57
+                <a class="prev" href="#slide56"></a>
+                <a class="next" href="#slide58"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide53">
+    <section class="slide" id="slide58">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2119,13 +2284,13 @@ <h1 class="topicsubheading">Réseau de neurones récurrents</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">53
-                <a class="prev" href="#slide52"></a>
-                <a class="next" href="#slide54"></a>
+            <div class="navigation">58
+                <a class="prev" href="#slide57"></a>
+                <a class="next" href="#slide59"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide54">
+    <section class="slide" id="slide59">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2144,13 +2309,13 @@ <h1 class="topicsubheading">Long short-term memory (LSTM) network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">54
-                <a class="prev" href="#slide53"></a>
-                <a class="next" href="#slide55"></a>
+            <div class="navigation">59
+                <a class="prev" href="#slide58"></a>
+                <a class="next" href="#slide60"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide55">
+    <section class="slide" id="slide60">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2172,13 +2337,13 @@ <h1 class="topicsubheading">Long short-term memory (LSTM) network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">55
-                <a class="prev" href="#slide54"></a>
-                <a class="next" href="#slide56"></a>
+            <div class="navigation">60
+                <a class="prev" href="#slide59"></a>
+                <a class="next" href="#slide61"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide56">
+    <section class="slide" id="slide61">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2199,13 +2364,13 @@ <h1 class="topicsubheading">Long short-term memory (LSTM) network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">56
-                <a class="prev" href="#slide55"></a>
-                <a class="next" href="#slide57"></a>
+            <div class="navigation">61
+                <a class="prev" href="#slide60"></a>
+                <a class="next" href="#slide62"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide57">
+    <section class="slide" id="slide62">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2225,13 +2390,13 @@ <h1 class="topicsubheading">Long short-term memory (LSTM) network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">57
-                <a class="prev" href="#slide56"></a>
-                <a class="next" href="#slide58"></a>
+            <div class="navigation">62
+                <a class="prev" href="#slide61"></a>
+                <a class="next" href="#slide63"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide58">
+    <section class="slide" id="slide63">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2249,13 +2414,13 @@ <h1 class="topicsubheading">Long short-term memory (LSTM) network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">58
-                <a class="prev" href="#slide57"></a>
-                <a class="next" href="#slide59"></a>
+            <div class="navigation">63
+                <a class="prev" href="#slide62"></a>
+                <a class="next" href="#slide64"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide59">
+    <section class="slide" id="slide64">
         <div class="header">
             <h1>3.3. Réseau de neurones récurrents</h1>
         </div>
@@ -2277,13 +2442,13 @@ <h1 class="topicsubheading">Long short-term memory (LSTM) network</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">59
-                <a class="prev" href="#slide58"></a>
-                <a class="next" href="#slide60"></a>
+            <div class="navigation">64
+                <a class="prev" href="#slide63"></a>
+                <a class="next" href="#slide65"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide60">
+    <section class="slide" id="slide65">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2299,13 +2464,13 @@ <h1>Réseaux de neurones convolutionnels</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">60
-                <a class="prev" href="#slide59"></a>
-                <a class="next" href="#slide61"></a>
+            <div class="navigation">65
+                <a class="prev" href="#slide64"></a>
+                <a class="next" href="#slide66"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide61">
+    <section class="slide" id="slide66">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2318,13 +2483,13 @@ <h3 class="topicsubheading">Réseaux de neurones convolutionnels</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">61
-                <a class="prev" href="#slide60"></a>
-                <a class="next" href="#slide62"></a>
+            <div class="navigation">66
+                <a class="prev" href="#slide65"></a>
+                <a class="next" href="#slide67"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide62">
+    <section class="slide" id="slide67">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2341,13 +2506,13 @@ <h3 class="topicsubheading">Réseaux de neurones convolutionnels</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">62
-                <a class="prev" href="#slide61"></a>
-                <a class="next" href="#slide63"></a>
+            <div class="navigation">67
+                <a class="prev" href="#slide66"></a>
+                <a class="next" href="#slide68"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide63">
+    <section class="slide" id="slide68">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2364,13 +2529,13 @@ <h3 class="topicsubheading">Réseaux de neurones convolutionnels</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">63
-                <a class="prev" href="#slide62"></a>
-                <a class="next" href="#slide64"></a>
+            <div class="navigation">68
+                <a class="prev" href="#slide67"></a>
+                <a class="next" href="#slide69"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide64">
+    <section class="slide" id="slide69">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2390,13 +2555,13 @@ <h3 class="topicsubheading">Réseaux de neurones convolutionnels</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">64
-                <a class="prev" href="#slide63"></a>
-                <a class="next" href="#slide65"></a>
+            <div class="navigation">69
+                <a class="prev" href="#slide68"></a>
+                <a class="next" href="#slide70"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide65">
+    <section class="slide" id="slide70">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2420,13 +2585,13 @@ <h3 class="topicsubheading">Réseaux de neurones convolutionnels: architecture</
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">65
-                <a class="prev" href="#slide64"></a>
-                <a class="next" href="#slide66"></a>
+            <div class="navigation">70
+                <a class="prev" href="#slide69"></a>
+                <a class="next" href="#slide71"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide66">
+    <section class="slide" id="slide71">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2450,13 +2615,13 @@ <h3 class="topicsubheading">Réseaux de neurones convolutionnels: architecture</
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">66
-                <a class="prev" href="#slide65"></a>
-                <a class="next" href="#slide67"></a>
+            <div class="navigation">71
+                <a class="prev" href="#slide70"></a>
+                <a class="next" href="#slide72"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide67">
+    <section class="slide" id="slide72">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2476,13 +2641,13 @@ <h2 class="topicsubheading">Noyau (traitement d'image)</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">67
-                <a class="prev" href="#slide66"></a>
-                <a class="next" href="#slide68"></a>
+            <div class="navigation">72
+                <a class="prev" href="#slide71"></a>
+                <a class="next" href="#slide73"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide68">
+    <section class="slide" id="slide73">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2498,13 +2663,13 @@ <h2 class="topicsubheading">Noyau (traitement d'image)</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">68
-                <a class="prev" href="#slide67"></a>
-                <a class="next" href="#slide69"></a>
+            <div class="navigation">73
+                <a class="prev" href="#slide72"></a>
+                <a class="next" href="#slide74"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide69">
+    <section class="slide" id="slide74">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2524,13 +2689,13 @@ <h2 class="topicsubheading">Noyau (traitement d'image)</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">69
-                <a class="prev" href="#slide68"></a>
-                <a class="next" href="#slide70"></a>
+            <div class="navigation">74
+                <a class="prev" href="#slide73"></a>
+                <a class="next" href="#slide75"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide70">
+    <section class="slide" id="slide75">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2545,13 +2710,13 @@ <h3>Noyau d'identité</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">70
-                <a class="prev" href="#slide69"></a>
-                <a class="next" href="#slide71"></a>
+            <div class="navigation">75
+                <a class="prev" href="#slide74"></a>
+                <a class="next" href="#slide76"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide71">
+    <section class="slide" id="slide76">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2567,13 +2732,13 @@ <h3>Noyau de détection de contours</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">71
-                <a class="prev" href="#slide70"></a>
-                <a class="next" href="#slide72"></a>
+            <div class="navigation">76
+                <a class="prev" href="#slide75"></a>
+                <a class="next" href="#slide77"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide72">
+    <section class="slide" id="slide77">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2589,13 +2754,13 @@ <h3>Box blur</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">72
-                <a class="prev" href="#slide71"></a>
-                <a class="next" href="#slide73"></a>
+            <div class="navigation">77
+                <a class="prev" href="#slide76"></a>
+                <a class="next" href="#slide78"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide73">
+    <section class="slide" id="slide78">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2611,13 +2776,13 @@ <h3>Flou de Gauss 3 × 3</h3>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">73
-                <a class="prev" href="#slide72"></a>
-                <a class="next" href="#slide74"></a>
+            <div class="navigation">78
+                <a class="prev" href="#slide77"></a>
+                <a class="next" href="#slide79"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide74">
+    <section class="slide" id="slide79">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2636,13 +2801,13 @@ <h2 class="topicsubheading">Convolution matricielle</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">74
-                <a class="prev" href="#slide73"></a>
-                <a class="next" href="#slide75"></a>
+            <div class="navigation">79
+                <a class="prev" href="#slide78"></a>
+                <a class="next" href="#slide80"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide75">
+    <section class="slide" id="slide80">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2659,13 +2824,13 @@ <h2 class="topicsubheading">Max pooling</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">75
-                <a class="prev" href="#slide74"></a>
-                <a class="next" href="#slide76"></a>
+            <div class="navigation">80
+                <a class="prev" href="#slide79"></a>
+                <a class="next" href="#slide81"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide76">
+    <section class="slide" id="slide81">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2678,13 +2843,13 @@ <h2 class="topicsubheading">Stride et Padding</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">76
-                <a class="prev" href="#slide75"></a>
-                <a class="next" href="#slide77"></a>
+            <div class="navigation">81
+                <a class="prev" href="#slide80"></a>
+                <a class="next" href="#slide82"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide77">
+    <section class="slide" id="slide82">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2711,13 +2876,13 @@ <h2 class="topicsubheading">Exemple: Tensorflow (réseaux de neurones convolutio
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">77
-                <a class="prev" href="#slide76"></a>
-                <a class="next" href="#slide78"></a>
+            <div class="navigation">82
+                <a class="prev" href="#slide81"></a>
+                <a class="next" href="#slide83"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide78">
+    <section class="slide" id="slide83">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2741,13 +2906,13 @@ <h2 class="topicsubheading">Exemple: Tensorflow (réseaux de neurones convolutio
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">78
-                <a class="prev" href="#slide77"></a>
-                <a class="next" href="#slide79"></a>
+            <div class="navigation">83
+                <a class="prev" href="#slide82"></a>
+                <a class="next" href="#slide84"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide79">
+    <section class="slide" id="slide84">
         <div class="header">
             <h1>3.4. Réseaux de neurones convolutionnels</h1>
         </div>
@@ -2760,13 +2925,13 @@ <h2 class="topicsubheading">Exemple: Tensorflow (réseaux de neurones convolutio
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">79
-                <a class="prev" href="#slide78"></a>
-                <a class="next" href="#slide80"></a>
+            <div class="navigation">84
+                <a class="prev" href="#slide83"></a>
+                <a class="next" href="#slide85"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide80">
+    <section class="slide" id="slide85">
         <div class="header">
             <h1>3.5. Réseaux de neurones récurrents convolutifs (RCNN)</h1>
         </div>
@@ -2784,13 +2949,13 @@ <h2 class="topicsubheading">RCNN [Girshick 2014]</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">80
-                <a class="prev" href="#slide79"></a>
-                <a class="next" href="#slide81"></a>
+            <div class="navigation">85
+                <a class="prev" href="#slide84"></a>
+                <a class="next" href="#slide86"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide81">
+    <section class="slide" id="slide86">
         <div class="header">
             <h1>3.5. Réseaux de neurones récurrents convolutifs (RCNN)</h1>
         </div>
@@ -2807,13 +2972,13 @@ <h2 class="topicsubheading">RCNN [Girshick 2014]</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">81
-                <a class="prev" href="#slide80"></a>
-                <a class="next" href="#slide82"></a>
+            <div class="navigation">86
+                <a class="prev" href="#slide85"></a>
+                <a class="next" href="#slide87"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide82">
+    <section class="slide" id="slide87">
         <div class="header">
             <h1>3.6. Réseaux de neurones récurrents convolutifs bidirectionnels </h1>
         </div>
@@ -2835,13 +3000,13 @@ <h2 class="topicsubheading">Bi-RCNN [Cai 2016,Wang 2020]</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">82
-                <a class="prev" href="#slide81"></a>
-                <a class="next" href="#slide83"></a>
+            <div class="navigation">87
+                <a class="prev" href="#slide86"></a>
+                <a class="next" href="#slide88"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide83">
+    <section class="slide" id="slide88">
         <div class="header">
             <h1>3.6. Réseaux de neurones récurrents convolutifs bidirectionnels </h1>
         </div>
@@ -2856,13 +3021,13 @@ <h2 class="topicsubheading">Bi-RCNN [Cai 2016]</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">83
-                <a class="prev" href="#slide82"></a>
-                <a class="next" href="#slide84"></a>
+            <div class="navigation">88
+                <a class="prev" href="#slide87"></a>
+                <a class="next" href="#slide89"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide84">
+    <section class="slide" id="slide89">
         <div class="header">
             <h1>3.6. Réseaux de neurones récurrents convolutifs bidirectionnels </h1>
         </div>
@@ -2885,13 +3050,13 @@ <h2 class="topicsubheading">Bi-RCNN [Cai 2016]</h2>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">84
-                <a class="prev" href="#slide83"></a>
-                <a class="next" href="#slide85"></a>
+            <div class="navigation">89
+                <a class="prev" href="#slide88"></a>
+                <a class="next" href="#slide90"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide85">
+    <section class="slide" id="slide90">
         <div class="header">
             <h1>Références</h1>
         </div>
@@ -2915,13 +3080,13 @@ <h1>Articles de recherche</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">85
-                <a class="prev" href="#slide84"></a>
-                <a class="next" href="#slide86"></a>
+            <div class="navigation">90
+                <a class="prev" href="#slide89"></a>
+                <a class="next" href="#slide91"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide86">
+    <section class="slide" id="slide91">
         <div class="header">
             <h1>Références</h1>
         </div>
@@ -2941,13 +3106,13 @@ <h1>Articles de recherche</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">86
-                <a class="prev" href="#slide85"></a>
-                <a class="next" href="#slide87"></a>
+            <div class="navigation">91
+                <a class="prev" href="#slide90"></a>
+                <a class="next" href="#slide92"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide87">
+    <section class="slide" id="slide92">
         <div class="header">
             <h1>Références:</h1>
         </div>
@@ -2981,13 +3146,13 @@ <h1>Web</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">87
-                <a class="prev" href="#slide86"></a>
-                <a class="next" href="#slide88"></a>
+            <div class="navigation">92
+                <a class="prev" href="#slide91"></a>
+                <a class="next" href="#slide93"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide88">
+    <section class="slide" id="slide93">
         <div class="header">
             <h1>Références:</h1>
         </div>
@@ -3002,13 +3167,13 @@ <h1>Web</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">88
-                <a class="prev" href="#slide87"></a>
-                <a class="next" href="#slide89"></a>
+            <div class="navigation">93
+                <a class="prev" href="#slide92"></a>
+                <a class="next" href="#slide94"></a>
             </div>
         </div>
     </section>
-    <section class="slide" id="slide89">
+    <section class="slide" id="slide94">
         <div class="header">
             <h1>Références:</h1>
         </div>
@@ -3024,8 +3189,8 @@ <h1>Images</h1>
         </div>
         <div class="footer">
             <div class="contact">Apprentissage machine | John Samuel</div>
-            <div class="navigation">89
-                <a class="prev" href="#slide88"></a>
+            <div class="navigation">94
+                <a class="prev" href="#slide93"></a>
             </div>
         </div>
     </section>
@@ -3039,7 +3204,7 @@ <h1>Images</h1>
                 if (!Number.isNaN(slideIdString)) {
                     slideId = parseInt(slideIdString);
                     if (isIncrement) {
-                        if (slideId < 89) {
+                        if (slideId < 94) {
                             slideId = slideId + 1;
                         }
                     } else {
@@ -3085,4 +3250,4 @@ <h1>Images</h1>
     </script>
 </body>
 
-</html>
\ No newline at end of file
+</html>