diff --git a/knn/EXERCICES.md b/knn/EXERCICES.md
index 857d4fd..22065b8 100644
--- a/knn/EXERCICES.md
+++ b/knn/EXERCICES.md
@@ -30,8 +30,8 @@ def calculer_distance(pokemon1, pokemon2):
     return distance
 
 # Exemple d'utilisation
-pokemon1 = [60, 62, 63]  # Exemple de stats pour le Pokémon 1
-pokemon2 = [85, 80, 75]  # Exemple de stats pour le Pokémon 2
+pokemon1 = [60, 62]  # Exemple de stats pour le Pokémon 1
+pokemon2 = [85, 80]  # Exemple de stats pour le Pokémon 2
 
 distance = calculer_distance(pokemon1, pokemon2)
 print(f"La distance entre les deux Pokémon est : {distance}")
diff --git a/knn/README.md b/knn/README.md
index 991f346..2493fc8 100644
--- a/knn/README.md
+++ b/knn/README.md
@@ -52,7 +52,7 @@ Il s'agit d'une représentation simplifiée de la réalité en vue de réaliser
 
 ### Exemple de l'implémentation de l'algorithme des k plus proches voisins
 
-Le Professeur Chen, inventeur du Pokédex, utilise cet algorithme afin que son appereil puisse prédire quel pokémon se trouve devant lui.
+Le Professeur Chen, inventeur du Pokédex, utilise cet algorithme afin que son appareil puisse prédire quel pokémon se trouve devant lui.
 
 <img src="assets/chen.png" alt="chen" style="zoom:67%;" />
 
@@ -91,15 +91,15 @@ Pour rendre cette classification automatique, nous allons utiliser un algorithme
 
 D'après vous, que faut-il pour pouvoir prédire la classe d'un Pokemon donné ?
 
-- ? 
-- ?
-- ?
+- Échantillon de Pokemon
+- Un pokemon *mystère* dont on souhaite prédire la classification
+- la valeur de *k*
 
 Une fois ces données modélisées, on peut formuler notre algorithme:
 
-- ?
-- ?
-- ?
+- Trouver dans l'échantillon, les *k* plus proches voisins du pokemon *mystère*
+- Trouver la classification majoritaire parmi les voisins les plus proches
+- Renvoyer cette classification
 
 ### Pour résumer...