fix(tweety): reformat single-line source + convention prints Tweety-6/9 (#1946)

MyIA.AI.Notebooks/GameTheory/README.md

@@ -4,7 +4,7 @@
 series: GameTheory
 pedagogical_count: 25
 breakdown: root=21, SocialChoice=4
-maturity: PRODUCTION=14, BETA=9, ALPHA=2
+maturity: PRODUCTION=22, ALPHA=2, BETA=1
 -->
 
 La théorie des jeux est le langage mathématique de la stratégie. Elle modélise les situations où des agents rationnels prennent des décisions dont le résultat dépend des choix des autres : enchères, négociations commerciales, élections, poker, guerre commerciale, allocation de ressources. Cette dualité entre coopération et compétition est omniprésente en économie, en sciences politiques et en informatique (mécanismes de vote, smart contracts, réseaux). Le prix Nobel d'économie a été décerné à des théoriciens des jeux à sept reprises entre 1994 et 2020 — c'est un domaine vivant et influent.

MyIA.AI.Notebooks/GenAI/README.md

@@ -4,7 +4,7 @@
 series: GenAI
 pedagogical_count: 120
 breakdown: Audio=30, SemanticKernel=20, Image=16, Video=16, Texte=11, 00-GenAI-Environment=6, PostTraining=6, FineTuning=5, Vibe-Coding=5, CaseStudies=4, root=1
-maturity: PRODUCTION=75, BETA=35, ALPHA=4, DRAFT=3, TEMPLATE=3
+maturity: PRODUCTION=79, BETA=31, ALPHA=4, DRAFT=3, TEMPLATE=3
 -->
 
 Ce parcours vous forme a la maitrise de l'IA generative dans toute sa diversite : generer des images, synthetiser la voix, composer de la musique, produire des videos, orchestrer des agents autonomes, et deployer des applications en production. Chaque modalite suit une progression en quatre niveaux, du premier pas avec une API jusqu'aux pipelines multi-modeles de production.

MyIA.AI.Notebooks/ML/README.md

@@ -4,7 +4,7 @@
 series: ML
 pedagogical_count: 27
 breakdown: DataScienceWithAgents=19, ML.Net=8
-maturity: PRODUCTION=14, BETA=11, ALPHA=2
+maturity: PRODUCTION=25, ALPHA=1, BETA=1
 -->
 
 Vous êtes développeur ou analyste et vous voulez construire des modèles prédictifs sans devenir data scientist théoricien ? Cette série vous forme au Machine Learning pratique avec deux stack complémentaires : **ML.NET** pour l'écosystème .NET/C# (8 notebooks, ~6h) et **Python Data Science with Agents** pour les pipelines modernes enrichis de LLMs (19 notebooks, ~17h). À la fin, vous saurez charger des données, entraîner un modèle, l'évaluer rigoureusement, et le déployer en production.

MyIA.AI.Notebooks/QuantConnect/README.md

@@ -4,7 +4,7 @@
 series: QuantConnect
 pedagogical_count: 101
 breakdown: Python=51, projects=48, ML-Training-Pipeline=2
-maturity: PRODUCTION=68, ALPHA=22, BETA=9, DRAFT=1, TEMPLATE=1
+maturity: PRODUCTION=64, ALPHA=27, BETA=8, DRAFT=1, TEMPLATE=1
 -->
 
 Le trading algorithmique transforme les marchés financiers : aujourd'hui, plus de 60% des volumes aux États-Unis sont générés par des algorithmes. Cette série vous apprend à construire, tester et déployer vos propres stratégies de trading automatisées sur la plateforme **QuantConnect LEAN** — un framework open-source utilisé par des milliers de quants professionnels. Le parcours va des fondements (lifecycle d'un algorithme, gestion des données) aux frontières de l'IA (Transformers, RL, LLMs pour signaux de trading).

MyIA.AI.Notebooks/README.md

@@ -10,7 +10,7 @@ Le catalogue rassemble près de 500 notebooks répartis sur les onze domaines ci
 series: ALL
 total: 504
 breakdown: GenAI=120, QuantConnect=101, SymbolicAI=100, Search=45, Probas=43, Sudoku=32, ML=27, GameTheory=25, RL=6, CaseStudies=4, IIT=1
-maturity: PRODUCTION=365, BETA=99, ALPHA=31, DRAFT=5, TEMPLATE=4
+maturity: PRODUCTION=392, BETA=68, ALPHA=35, DRAFT=5, TEMPLATE=4
 -->
 
 Dernière mise à jour : 2026-05-28

MyIA.AI.Notebooks/Search/README.md

@@ -4,7 +4,7 @@
 series: Search
 pedagogical_count: 45
 breakdown: Applications=20, Part1-Foundations=11, Part2-CSP=9, root=5
-maturity: PRODUCTION=39, BETA=5, DRAFT=1
+maturity: PRODUCTION=42, BETA=2, DRAFT=1
 -->
 
 Tout problème d'IA, du plus simple jeu de plateau à la planification logistique industrielle, se réduit à un même défi : explorer un espace de solutions possibles pour trouver la meilleure. Cette série vous apprend à maîtriser cette exploration, depuis les algorithmes classiques (BFS, A*, Minimax) jusqu'aux techniques avancées (CSP, métaheuristiques, hybridation LLM). Le fil rouge est la **réduction de l'espace de recherche** : comment passer d'une exploration aveugle exponentielle à une résolution intelligemment guidée.

MyIA.AI.Notebooks/Sudoku/README.md

@@ -4,7 +4,7 @@
 series: Sudoku
 pedagogical_count: 32
 breakdown: root=32
-maturity: PRODUCTION=22, BETA=10
+maturity: PRODUCTION=27, BETA=5
 -->
 
 Cette serie de **32 notebooks** (16 C#, 16 Python) explore differentes techniques de resolution de Sudoku, des algorithmes classiques aux approches symboliques, probabilistes et neuronales. Les notebooks sont disponibles en **approche miroir C#/Python** pour permettre aux etudiants de choisir leur langage.

MyIA.AI.Notebooks/SymbolicAI/Tweety/Tweety-6-Structured-Argumentation.ipynb

@@ -92,7 +92,13 @@
      "name": "stdout",
      "output_type": "stream",
      "text": [
-      "--- Verification JVM Tweety + Outils ---\n",
+      "--- Verification JVM Tweety + Outils ---\n"
+     ]
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
       "JDK portable: zulu17.50.19-ca-jdk17.0.11-win_x64\n"
      ]
     },
@@ -104,11 +110,12 @@
       "\n",
       "--- Outils disponibles ---\n",
       "  CLINGO: clingo\n",
+      "  SPASS: SPASS.exe\n",
       "  EPROVER: eprover.exe\n",
       "  SAT_SOLVER_PYTHON: sat_solver.py\n",
       "  MARCO: marco.py\n",
       "\n",
-      "JVM prete. Outils: 4/5\n"
+      "JVM prete. Outils: 5/5\n"
      ]
     }
    ],
@@ -545,7 +552,13 @@
       "JVM prete. Execution de l'exemple DeLP...\n",
       "Imports DeLP, FOL et Commons necessaires reussis.\n",
       "\n",
-      "Chargement du programme DeLP depuis: resources\\birds2.txt\n",
+      "Chargement du programme DeLP depuis: resources\\birds2.txt\n"
+     ]
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
       "Programme charge avec succes depuis le fichier.\n",
       "\n",
       "Programme DeLP charge:\n",
@@ -567,7 +580,14 @@
       "\n",
       "Evaluation des requetes DeLP:\n",
       "(YES=justifie, NO=refute, UNDECIDED=indetermine)\n",
-      "  Querying 'Fly(tweety)'... Resultat: The answer is: NO\n",
+      "  Querying 'Fly(tweety)'..."
+     ]
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      " Resultat: The answer is: NO\n",
       "  Querying 'Fly(opus)'... Resultat: The answer is: YES\n",
       "  Querying 'Bird(tweety)'... Resultat: The answer is: YES\n",
       "  Querying 'Bird(opus)'... Resultat: The answer is: YES\n",
@@ -853,13 +873,7 @@
       " - Query 'a' (ABA Preferred)? True\n",
       "\n",
       "\n",
-      "--- Exemple ABA avec Logique du Premier Ordre ---\n"
-     ]
-    },
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
+      "--- Exemple ABA avec Logique du Premier Ordre ---\n",
       "OK: Signature FOL pour ABA definie.\n",
       "INFO: Utilisation de ';' comme separateur pour le parser ABA FOL.\n",
       "Chargement ABA (FOL) depuis fichier: resources\\smp_fol.aba\n",
@@ -875,14 +889,7 @@
      "name": "stdout",
      "output_type": "stream",
      "text": [
-      " - Query 'Pair(a,d)' (ABA Preferred)? False"
-     ]
-    },
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "\n"
+      " - Query 'Pair(a,d)' (ABA Preferred)? False\n"
      ]
     }
    ],
@@ -1362,15 +1369,21 @@
       "\n",
       "--- Programme ASP Simple ---\n",
       "Programme 1:\n",
-      " {r :- -q, not b. p :- not r. b. -q :- b.}\n",
+      " {b. -q :- b. p :- not r. r :- -q, not b.}\n",
       "\n",
       "--- Programme ASP Suspects ---\n",
       "Programme 2:\n",
-      " {motive(sally). guilty(harry). innocent(Suspect) :- motive(Suspect), not guilty(Suspect). motive(harry).}\n",
+      " {guilty(harry). innocent(Suspect) :- motive(Suspect), not guilty(Suspect). motive(harry). motive(sally).}\n",
       "\n",
-      "Utilisation de Clingo trouve/configure a: D:\\CoursIA\\MyIA.AI.Notebooks\\SymbolicAI\\Tweety\\ext_tools\\clingo\n",
+      "Utilisation de Clingo trouve/configure a: D:\\dev\\CoursIA\\MyIA.AI.Notebooks\\SymbolicAI\\Tweety\\ext_tools\\clingo\n",
       "\n",
-      "Calcul des Answer Sets pour Programme 2...\n",
+      "Calcul des Answer Sets pour Programme 2...\n"
+     ]
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
       "Answer Sets trouves (1):\n",
       "   - AS 1: {guilty(harry), innocent(sally), motive(harry), motive(sally)}\n",
       "\n",
@@ -1695,14 +1708,14 @@
    },
    "outputs": [
     {
-     "output_type": "stream",
      "name": "stdout",
+     "output_type": "stream",
      "text": [
-      "Exercice a completer : argumentation structuree avec DeLP pour recommandation de films\n"
+      "Exercice : DeLP pour recommandation de films a completer\n"
      ]
     }
    ],
-   "source": "print(\"Exercice a completer : argumentation structuree avec DeLP pour recommandation de films\")\n\n# Exercice: Choisissez un framework (ASPIC+, DeLP, ou ABA)\n# Exemple avec DeLP (le plus intuitif pour les recommandations)\n# TODO etudiant : instancier le raisonneur DeLP et analyser les arguments\n\nfrom org.tweetyproject.arg.delp.syntax import *\n\n# Exercice: Definissez une base de connaissances de films\n# Exemple: regles pour recommander des films selon les genres\nfilms_kb = \"\"\"\n% Regles strictes (faits)\nfilm(inception) <- true.\nfilm(titanic) <- true.\nfilm(matrix) <- true.\n\n% Regles defeasibles (peuvent etre contredites)\n<- genre(inception, sci_fi).\n<- genre(titanic, romance).\n<- genre(matrix, sci_fi).\n\n% Preferences utilisateur (a adapter)\n<- prefere(scifi) | utilisateur_geek.\n<- prefere(romance) | utilisateur_sentimental.\n\n% Regles de recommandation\n<- recommander(F) <- film(F), genre(F, G), prefere(G).\n\"\"\"\n\n# Exercice: Instanciez le raisonneur DeLP\n# reasoner = DelpReasoner()\n\n# Exercice: Posez une query\n# result = reasoner.query(\"recommander(X)\")\n\n# Exercice: Analysez les arguments pour/contre\n# Quels films sont recommandes ? Pourquoi ?\n\n# Exercice: Ajoutez des contre-arguments\n# Exemple: \"inception est trop complexe pour certains\""
+   "source": "# Exercice: Choisissez un framework (ASPIC+, DeLP, ou ABA)\n# Exemple avec DeLP (le plus intuitif pour les recommandations)\n\nfrom org.tweetyproject.arg.delp.syntax import *\n\n# Exercice: Definissez une base de connaissances de films\n# Exemple: regles pour recommander des films selon les genres\nfilms_kb = \"\"\"\n% Regles strictes (faits)\nfilm(inception) <- true.\nfilm(titanic) <- true.\nfilm(matrix) <- true.\n\n% Regles defeasibles (peuvent etre contredites)\n<- genre(inception, sci_fi).\n<- genre(titanic, romance).\n<- genre(matrix, sci_fi).\n\n% Preferences utilisateur (a adapter)\n<- prefere(scifi) | utilisateur_geek.\n<- prefere(romance) | utilisateur_sentimental.\n\n% Regles de recommandation\n<- recommander(F) <- film(F), genre(F, G), prefere(G).\n\"\"\"\n\n# Exercice: Instanciez le raisonneur DeLP\n# reasoner = DelpReasoner()\n\n# Exercice: Posez une query\n# result = reasoner.query(\"recommander(X)\")\n\n# Exercice: Analysez les arguments pour/contre\n# Quels films sont recommandes ? Pourquoi ?\n\n# Exercice: Ajoutez des contre-arguments\n# Exemple: \"inception est trop complexe pour certains\"\n\nprint(\"Exercice : DeLP pour recommandation de films a completer\")"
   },
   {
    "cell_type": "markdown",

MyIA.AI.Notebooks/SymbolicAI/Tweety/Tweety-9-Preferences.ipynb

@@ -63,8 +63,20 @@
      "name": "stdout",
      "output_type": "stream",
      "text": [
-      "--- Verification JVM Tweety + Outils ---\n",
-      "JDK portable: zulu17.50.19-ca-jdk17.0.11-win_x64\n",
+      "--- Verification JVM Tweety + Outils ---\n"
+     ]
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "JDK portable: zulu17.50.19-ca-jdk17.0.11-win_x64\n"
+     ]
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
       "JVM demarree avec 42 JARs.\n",
       "\n",
       "--- Outils disponibles ---\n",
@@ -1220,10 +1232,27 @@
     },
     "tags": []
    },
-   "outputs": [],
-   "source": [
-    "# Exemple guide : Solution completecandidats = ['Paris', 'Berlin', 'Rome', 'Madrid']# 1. Definition des profils de preference (5 votants)profils = [    ['Paris', 'Berlin', 'Rome', 'Madrid'],  # Votant 1    ['Berlin', 'Paris', 'Madrid', 'Rome'],  # Votant 2    ['Rome', 'Madrid', 'Paris', 'Berlin'],  # Votant 3    ['Madrid', 'Rome', 'Berlin', 'Paris'],  # Votant 4    ['Berlin', 'Rome', 'Paris', 'Madrid'],  # Votant 5]def calculate_all_rules(prefs, candidates):    borda = {c: 0 for c in candidates}    n = len(candidates)    for p in prefs:        for rank, c in enumerate(p):            borda[c] += (n - 1 - rank)        plurality = {c: 0 for c in candidates}    for p in prefs:        plurality[p[0]] += 1        condorcet_winner = None    for c1 in candidates:        is_condorcet = True        for c2 in candidates:            if c1 == c2: continue            wins = sum(1 for p in prefs if p.index(c1) < p.index(c2))            if wins <= len(prefs) / 2:                is_condorcet = False                break        if is_condorcet:            condorcet_winner = c1            break                return borda, plurality, condorcet_winnerprint(\"--- Resultats de l'exercice de synthese ---\")b, p, c = calculate_all_rules(profils, candidats)b_win = max(b, key=b.get)p_win = max(p, key=p.get)print(f\"Vainqueur Borda: {b_win} (scores: {dict(sorted(b.items(), key=lambda x: -x[1]))})\")print(f\"Vainqueur Pluralite: {p_win} ({p[p_win]} votes)\")print(f\"Vainqueur Condorcet: {c if c else 'Aucun'}\")print(f\"\\nConsensus (Borda == Pluralite == Condorcet): {b_win == p_win == c}\")# 2. Manipulation strategiqueprint(\"\\n--- Manipulation Strategique (Votant 3) ---\")profils_manip = profils.copy()print(f\"Votant 3 change son vote de {profils[2]} a ['Paris', 'Rome', 'Madrid', 'Berlin']\")profils_manip[2] = ['Paris', 'Rome', 'Madrid', 'Berlin']b2, p2, c2 = calculate_all_rules(profils_manip, candidats)print(f\"Nouveau vainqueur Borda: {max(b2, key=b2.get)} (score augmente)\")print(f\"Nouveau vainqueur Pluralite: {max(p2, key=p2.get)} (tie avec Berlin)\")print(\"Note: Dans ce profil, la manipulation renforce le gagnant initial Borda.\")"
-   ]
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "--- Resultats de l'exercice de synthese ---\n",
+      "Vainqueur Borda: Berlin (scores: {'Berlin': 9, 'Rome': 8, 'Paris': 7, 'Madrid': 6})\n",
+      "Vainqueur Pluralite: Berlin (2 votes)\n",
+      "Vainqueur Condorcet: Berlin\n",
+      "\n",
+      "Consensus (Borda == Pluralite == Condorcet): True\n",
+      "\n",
+      "--- Manipulation Strategique (Votant 3) ---\n",
+      "Votant 3 change son vote de ['Rome', 'Madrid', 'Paris', 'Berlin'] a ['Paris', 'Rome', 'Madrid', 'Berlin']\n",
+      "Nouveau vainqueur Borda: Paris (score augmente)\n",
+      "Nouveau vainqueur Pluralite: Paris (tie avec Berlin)\n",
+      "Note: Dans ce profil, la manipulation renforce le gagnant initial Borda.\n"
+     ]
+    }
+   ],
+   "source": "# Exemple guide : Solution complete\ncandidats = ['Paris', 'Berlin', 'Rome', 'Madrid']\n\n# 1. Definition des profils de preference (5 votants)\nprofils = [\n    ['Paris', 'Berlin', 'Rome', 'Madrid'],  # Votant 1\n    ['Berlin', 'Paris', 'Madrid', 'Rome'],  # Votant 2\n    ['Rome', 'Madrid', 'Paris', 'Berlin'],  # Votant 3\n    ['Madrid', 'Rome', 'Berlin', 'Paris'],  # Votant 4\n    ['Berlin', 'Rome', 'Paris', 'Madrid'],  # Votant 5\n]\n\n\ndef calculate_all_rules(prefs, candidates):\n    borda = {c: 0 for c in candidates}\n    n = len(candidates)\n    for p in prefs:\n        for rank, c in enumerate(p):\n            borda[c] += (n - 1 - rank)\n\n    plurality = {c: 0 for c in candidates}\n    for p in prefs:\n        plurality[p[0]] += 1\n\n    condorcet_winner = None\n    for c1 in candidates:\n        is_condorcet = True\n        for c2 in candidates:\n            if c1 == c2:\n                continue\n            wins = sum(1 for p in prefs if p.index(c1) < p.index(c2))\n            if wins <= len(prefs) / 2:\n                is_condorcet = False\n                break\n        if is_condorcet:\n            condorcet_winner = c1\n            break\n\n    return borda, plurality, condorcet_winner\n\n\nprint(\"--- Resultats de l'exercice de synthese ---\")\nb, p, c = calculate_all_rules(profils, candidats)\nb_win = max(b, key=b.get)\np_win = max(p, key=p.get)\nprint(f\"Vainqueur Borda: {b_win} (scores: {dict(sorted(b.items(), key=lambda x: -x[1]))})\")\nprint(f\"Vainqueur Pluralite: {p_win} ({p[p_win]} votes)\")\nprint(f\"Vainqueur Condorcet: {c if c else 'Aucun'}\")\nprint(f\"\\nConsensus (Borda == Pluralite == Condorcet): {b_win == p_win == c}\")\n\n# 2. Manipulation strategique\nprint(\"\\n--- Manipulation Strategique (Votant 3) ---\")\nprofils_manip = profils.copy()\nprint(f\"Votant 3 change son vote de {profils[2]} a ['Paris', 'Rome', 'Madrid', 'Berlin']\")\nprofils_manip[2] = ['Paris', 'Rome', 'Madrid', 'Berlin']\nb2, p2, c2 = calculate_all_rules(profils_manip, candidats)\nprint(f\"Nouveau vainqueur Borda: {max(b2, key=b2.get)} (score augmente)\")\nprint(f\"Nouveau vainqueur Pluralite: {max(p2, key=p2.get)} (tie avec Berlin)\")\nprint(\"Note: Dans ce profil, la manipulation renforce le gagnant initial Borda.\")"
   },
   {
    "cell_type": "markdown",