Ajout de diagrammes Mermaid pour améliorer la compréhension du guide

- Diagramme du split Train/Validation/Test avec flux de données
- Flowchart du mécanisme d'Early Stopping avec décisions
- Visualisation de l'évolution du Learning Rate
- Architecture du réseau de neurones en couches
- Phases d'entraînement (underfit → optimal → overfit)

Les diagrammes illustrent les concepts clés de manière visuelle et facilitent la compréhension des débutants.

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

GUIDE_DEBUTANT.md

@@ -103,6 +103,27 @@ Durant l'entraînement, le modèle passe par trois phases :
 
 Early Stopping détecte le début de la phase 3 et revient à la phase 2.
 
+### Flowchart du Mécanisme
+
+```mermaid
+flowchart TD
+    A[Début Epoch N] --> B[Calculer val_loss]
+    B --> C{val_loss s'améliore<br/>de min_delta ?}
+    C -->|Oui| D[Réinitialiser patience]
+    C -->|Non| E[Incrémenter compteur]
+    D --> F[Sauvegarder poids]
+    E --> G{Compteur >= patience ?}
+    G -->|Non| H[Continuer epoch N+1]
+    G -->|Oui| I[Arrêter l'entraînement]
+    I --> J[Restaurer meilleurs poids]
+    F --> H
+    H --> A
+
+    style D fill:#90EE90
+    style I fill:#FF6B6B
+    style J fill:#FFD700
+```
+
 ---
 
 ## Learning Rate Scheduler
@@ -140,6 +161,26 @@ ReduceLROnPlateau(
 
 La stratégie adaptative combine les avantages des deux.
 
+### Évolution du Learning Rate
+
+```mermaid
+graph LR
+    A[Epoch 1-2<br/>LR = 0.05] --> B[Epoch 3-4<br/>LR = 0.05]
+    B --> C{val_loss stagne<br/>2 epochs ?}
+    C -->|Oui| D[Epoch 5-6<br/>LR = 0.025]
+    C -->|Non| B
+    D --> E{val_loss stagne<br/>2 epochs ?}
+    E -->|Oui| F[Epoch 7-8<br/>LR = 0.0125]
+    E -->|Non| D
+    F --> G[...]
+    G --> H[LR minimum<br/>= 0.00001]
+
+    style A fill:#FF6B6B
+    style D fill:#FFD700
+    style F fill:#90EE90
+    style H fill:#87CEEB
+```
+
 ---
 
 ## Normalisation des Features
@@ -239,6 +280,22 @@ Input (20) → Dense(64, ReLU) → Dense(32, ReLU) → Dense(1, Sigmoid)
 - Extraction de features de haut niveau dans les premières couches
 - Compression progressive vers la décision finale
 
+### Visualisation de l'Architecture
+
+```mermaid
+graph LR
+    A[Input Layer<br/>20 features] --> B[Dense Layer 1<br/>64 neurones<br/>ReLU]
+    B --> C[Dense Layer 2<br/>32 neurones<br/>ReLU]
+    C --> D[Output Layer<br/>1 neurone<br/>Sigmoid]
+    D --> E[Probabilité<br/>[0, 1]]
+
+    style A fill:#87CEEB
+    style B fill:#90EE90
+    style C fill:#FFD700
+    style D fill:#FF6B6B
+    style E fill:#DDA0DD
+```
+
 ---
 
 ## Diagnostic de l'Overfitting
@@ -265,6 +322,24 @@ Input (20) → Dense(64, ReLU) → Dense(32, ReLU) → Dense(1, Sigmoid)
 4. **Early stopping** : Réduire patience
 5. **Data augmentation** : Si applicable (images, texte)
 
+### Phases d'entraînement
+
+```mermaid
+graph TD
+    A[Début Entraînement] --> B[Phase 1: Underfitting<br/>Train Loss ↓ Val Loss ↓<br/>Gap faible, Performance basse]
+    B --> C[Phase 2: Sweet Spot<br/>Train Loss ↓ Val Loss ↓<br/>Gap minimal, Performance haute]
+    C --> D[Phase 3: Overfitting<br/>Train Loss ↓ Val Loss ↑<br/>Gap important, Mémorisation]
+
+    C --> E[Early Stopping<br/>ARRÊT ICI]
+    D --> F[Continuer = Performance dégradée]
+
+    style B fill:#FFD700
+    style C fill:#90EE90
+    style D fill:#FF6B6B
+    style E fill:#87CEEB
+    style F fill:#FF6B6B
+```
+
 ---
 
 ## Glossaire Technique