docs: Mise à jour de la documentation

README.md

@@ -255,9 +255,10 @@ scaler.transform(X_test)       # Transforme seulement
 **IMPORTANT** : On apprend les statistiques (moyenne, écart-type) **uniquement** sur les données d'entraînement, puis on applique la **même transformation** aux données de test.
 
 #### À Retenir
-✅ Toujours **fit** sur train, **transform** sur test
-✅ Évite les **fuites de données** (data leakage)
-✅ Améliore les **performances** du modèle
+
+- ✅ Toujours **fit** sur train, **transform** sur test
+- ✅ Évite les **fuites de données** (data leakage)
+- ✅ Améliore les **performances** du modèle
 
 ---
 
@@ -280,9 +281,9 @@ joblib.dump((X_test, y_test), 'test_data.pkl')
 **Format .pkl** : Format de sérialisation Python (pickle)
 
 #### À Retenir
-✅ Sauvegarde **après** la division train/test
-✅ Permet de recharger les **mêmes données** plus tard
-✅ Essentiel pour comparer différents modèles sur les **mêmes données**
+- ✅ Sauvegarde **après** la division train/test
+- ✅ Permet de recharger les **mêmes données** plus tard
+- ✅ Essentiel pour comparer différents modèles sur les **mêmes données**
 
 ---
 
@@ -297,6 +298,30 @@ model = keras.Sequential([
 ])
 ```
 
+> **⚠️ Note sur la Dépréciation (Deprecated)**
+>
+> L'utilisation de `input_shape` directement dans la première couche `Dense` est **dépréciée** dans les versions récentes de Keras/TensorFlow. Vous verrez cet avertissement :
+> ```
+> UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer.
+> ```
+>
+> **Méthode Moderne Recommandée** :
+> ```python
+> model = keras.Sequential([
+>     keras.layers.Input(shape=(X_train.shape[1],)),  # Couche Input séparée
+>     keras.layers.Dense(32, activation='relu'),
+>     keras.layers.Dense(16, activation='relu'),
+>     keras.layers.Dense(1, activation='sigmoid')
+> ])
+> ```
+>
+> **Pourquoi ce changement ?**
+> - Plus claire : sépare l'entrée de la première couche
+> - Plus flexible : facilite les architectures complexes
+> - Meilleure pratique : suit les standards modernes de Keras
+>
+> **Dans ce lab** : Nous utilisons l'ancienne méthode pour la simplicité pédagogique, mais dans vos projets futurs, **utilisez la méthode moderne avec `Input()`**.
+
 #### Architecture du Modèle
 
 ```
@@ -346,9 +371,9 @@ Sigmoid(+∞) = 1
 - **Usage** : Couche de sortie pour classification binaire
 
 #### À Retenir
-✅ **Sequential** = couches empilées les unes après les autres
-✅ **Dense** = couche entièrement connectée
-✅ **ReLU** pour les couches cachées, **Sigmoid** pour la sortie binaire
+- ✅ **Sequential** = couches empilées les unes après les autres
+- ✅ **Dense** = couche entièrement connectée
+- ✅ **ReLU** pour les couches cachées, **Sigmoid** pour la sortie binaire
 
 ---
 
@@ -383,9 +408,9 @@ model.compile(
 - **Exemple** : 95% d'accuracy = 95 prédictions correctes sur 100
 
 #### À Retenir
-✅ **Adam** est un excellent optimiseur par défaut
-✅ **binary_crossentropy** pour la classification binaire
-✅ **Compiler** avant d'entraîner le modèle
+- ✅ **Adam** est un excellent optimiseur par défaut
+- ✅ **binary_crossentropy** pour la classification binaire
+- ✅ **Compiler** avant d'entraîner le modèle
 
 ---
 
@@ -445,9 +470,9 @@ Epoch 20/20
 | `val_accuracy` | Précision sur données de validation |
 
 #### À Retenir
-✅ **Loss diminue** = le modèle apprend
-✅ **val_loss >> loss** = surapprentissage (overfitting)
-✅ Surveiller les deux métriques pour détecter les problèmes
+- ✅ **Loss diminue** = le modèle apprend
+- ✅ **val_loss >> loss** = surapprentissage (overfitting)
+- ✅ Surveiller les deux métriques pour détecter les problèmes
 
 ---