Amélioration des flashcards pour plus de clarté

Restructuration complète des flashcards avec :
- Question/définition explicite
- Exemples concrets avec chiffres
- Interprétation pratique
- Séparation claire formule / signification

Avant : "Formule - TP / (TP + FN). Parmi les vrais positifs, combien ont été détectés ?"
Après : Question claire + formule + exemple concret (spam) + interprétation

Cela rend l'apprentissage plus intuitif et moins confus.

🤖 Generated with [Claude Code](https://claude.com/claude-code)

docs/EXAMEN.md

@@ -561,53 +561,137 @@ Quelles sont les causes possibles et les solutions ?
 ## Partie 5 : Flashcards (Révision rapide)
 
 ### Epoch
-<details><summary>Définition</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-Une passe complète sur l'ensemble du training set
+
+**Définition :** Une passe complète sur l'ensemble du training set
+
+**Exemple :** Si vous avez 1000 échantillons et batch_size=100, une epoch = 10 batches
 </details>
 
+---
+
 ### Batch
-<details><summary>Définition</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-Sous-ensemble de données traité simultanément (ex: 32 échantillons)
+
+**Définition :** Sous-ensemble de données traité simultanément pendant l'entraînement
+
+**Exemple :** batch_size=32 signifie que le modèle traite 32 échantillons avant de mettre à jour les poids
 </details>
 
+---
+
 ### Loss function
-<details><summary>Rôle</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-Mesure l'écart entre prédictions et vraies valeurs. Le modèle cherche à la minimiser.
+
+**Définition :** Fonction qui mesure l'écart entre les prédictions du modèle et les vraies valeurs
+
+**Rôle :** Le modèle cherche à minimiser cette valeur pendant l'entraînement
+
+**Exemple :** binary_crossentropy pour classification binaire
 </details>
 
+---
+
 ### Backpropagation
-<details><summary>Définition</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-Méthode de calcul des gradients via la chaîne des dérivées. Permet de mettre à jour les poids.
+
+**Définition :** Méthode de calcul des gradients via la chaîne des dérivées
+
+**Rôle :** Permet de calculer comment ajuster chaque poids pour réduire la loss
+
+**Processus :** Forward pass (calcul) → Loss → Backward pass (ajustement des poids)
 </details>
 
+---
+
 ### ReLU
-<details><summary>Formule et rôle</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-f(x) = max(0, x). Introduit la non-linéarité, évite vanishing gradient.
+
+**Formule :** f(x) = max(0, x)
+
+**Rôle :** Fonction d'activation qui introduit la non-linéarité
+
+**Avantages :**
+- Évite le vanishing gradient
+- Calcul très rapide
+- Permet d'apprendre des fonctions complexes
 </details>
 
+---
+
 ### Sigmoid
-<details><summary>Utilisation</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-Classification binaire. Transforme la sortie en probabilité [0, 1].
+
+**Formule :** f(x) = 1 / (1 + e^(-x))
+
+**Rôle :** Transforme n'importe quelle valeur en probabilité entre 0 et 1
+
+**Utilisation :** Classification binaire (couche de sortie)
+
+**Exemple :** Output = 0.85 signifie 85% de probabilité pour la classe 1
 </details>
 
+---
+
 ### Precision
-<details><summary>Formule</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-TP / (TP + FP). Parmi les prédictions positives, combien sont correctes ?
+
+**Question :** Parmi toutes mes prédictions positives, combien sont vraiment correctes ?
+
+**Formule :** Precision = TP / (TP + FP)
+
+**Exemple concret :** Sur 100 emails que j'ai marqués comme spam, combien sont vraiment des spams ?
+- 90 vrais spams (TP) + 10 faux spams (FP) = Precision = 90/100 = 90%
+
+**Interprétation :** Haute precision = peu de faux positifs
 </details>
 
+---
+
 ### Recall
-<details><summary>Formule</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-TP / (TP + FN). Parmi les vrais positifs, combien ont été détectés ?
+
+**Question :** Parmi tous les vrais positifs qui existent, combien ai-je réussi à détecter ?
+
+**Formule :** Recall = TP / (TP + FN)
+
+**Exemple concret :** Il y a 100 spams dans ma boîte mail. Combien en ai-je détectés ?
+- 85 spams détectés (TP) + 15 spams ratés (FN) = Recall = 85/100 = 85%
+
+**Interprétation :** Haut recall = peu de faux négatifs (je rate peu de positifs)
 </details>
 
+---
+
 ### Overfitting
-<details><summary>Signes</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-Train accuracy >> Test accuracy. Val_loss augmente alors que train_loss diminue.
+
+**Définition :** Le modèle mémorise les données d'entraînement au lieu d'apprendre les patterns généraux
+
+**Signes à détecter :**
+- Train accuracy >> Test accuracy (ex: 99% vs 70%)
+- Val_loss augmente alors que train_loss diminue
+- Gap important entre performances train et test
+
+**Causes :** Modèle trop complexe, entraînement trop long, pas assez de données
+
+**Solutions :** Early stopping, régularisation (L2, Dropout), plus de données
 </details>
 
+---
+
 ### Underfitting
-<details><summary>Signes</summary>
+<details><summary>Cliquez pour voir la définition</summary>
-Train et test accuracy basses et similaires. Le modèle est trop simple.
+
+**Définition :** Le modèle est trop simple pour capturer les patterns dans les données
+
+**Signes à détecter :**
+- Train accuracy ≈ Test accuracy (mais les deux sont basses)
+- Exemple : 65% sur train, 63% sur test
+
+**Causes :** Modèle trop simple, pas assez d'entraînement, features insuffisantes
+
+**Solutions :** Modèle plus complexe, plus d'epochs, feature engineering
 </details>
 
 ---