fix latex notebooks

_doc/notebooks/td2a_ml/ml_c_machine_learning_problems.ipynb

@@ -768,7 +768,7 @@
         "\n",
         "*arbre*\n",
         "\n",
-        "On \u00e9crit rarement le crit\u00e8re \u00e0 optimiser pour l'arbre dans sa totalit\u00e9 mais seulement pour une feuille de l'arbre qu'on cherche \u00e0 d\u00e9couper. On optimise une m\u00e9trique ([Gini](https://en.wikipedia.org/wiki/Decision_tree_learning#Gini_impurity), [entropie](https://en.wikipedia.org/wiki/Decision_tree_learning#Information_gain), [variance](https://en.wikipedia.org/wiki/Decision_tree_learning#Variance_reduction)). Si on note $f(k)$ la proportion d'\u00e9l\u00e9ments bien class\u00e9s par cette feuille. Le crit\u00e8re optimis\u00e9 est : $ - \\sum_k f(k)\\ln f(k)$."
+        "On \u00e9crit rarement le crit\u00e8re \u00e0 optimiser pour l'arbre dans sa totalit\u00e9 mais seulement pour une feuille de l'arbre qu'on cherche \u00e0 d\u00e9couper. On optimise une m\u00e9trique ([Gini](https://en.wikipedia.org/wiki/Decision_tree_learning#Gini_impurity), [entropie](https://en.wikipedia.org/wiki/Decision_tree_learning#Information_gain), [variance](https://en.wikipedia.org/wiki/Decision_tree_learning#Variance_reduction)). Si on note $f(k)$ la proportion d'\u00e9l\u00e9ments bien class\u00e9s par cette feuille. Le crit\u00e8re optimis\u00e9 est : $-\\sum_k f(k)\\ln f(k)$."
       ]
     },
     {