Quarto rendering

Author: linogaliana

content/manipulation/04_webscraping/_exo1_solution.qmd

@@ -15,9 +15,24 @@ tableau_participants = page.find('table', {'class' : 'wikitable sortable'})
 ```{python}
 #| echo: true
 #| output: asis
+#| eval: false
 print(tableau_participants)
 ```
 
+
+::: {.cell .markdown}
+
+```{python}
+#| echo: false
+#| output: asis
+#| eval: false
+print(tableau_participants)
+```
+
+:::
+
+
+
 ::: {.content-visible when-profile="fr"}
 2️⃣ Récupérer chaque ligne du tableau
 

content/manipulation/04a_webscraping_TP.qmd

@@ -455,7 +455,7 @@ to other use cases from *ad hoc* requests.
 ```{python}
 #| echo: true
 #| output: false
-!pip install -q lxml
+!pip install lxml
 !pip install bs4
 ```
 

content/modelisation/1_modelevaluation.qmd

@@ -125,7 +125,9 @@ Ces métriques devraient rappeler des souvenirs si vous êtes familiers de la m
 
 ## Apprentissage non supervisé
 
-Dans cet ensemble de méthodes, on ne dispose pas de _gold standard_ pour comparer la prédiction à la valeur observée. Pour mesurer la performance d'un algorithme, il faut donc se résoudre à utiliser des métriques de convergence, basées sur des critères statistiques. Cela permet d'évaluer si le fait de complexifier l'algorithme change fondamentalement la distribution des prédictions. 
+Dans cet ensemble de méthodes, on ne dispose pas de _gold standard_ pour comparer la prédiction à la valeur observée. Pour mesurer la performance d'un algorithme, il faut donc se résoudre à utiliser des métriques de stabilité des prédictions, basées sur des critères statistiques. Cela permet d'évaluer si le fait de complexifier l'algorithme change fondamentalement la distribution des prédictions. Les métriques utilisées dépendent du type d'apprentissage mis en oeuvre. 
+
+
 
 
 ## Comment sont évalués les grands modèles de langage ?