ajout fichiers modifiés knn, programmation et representation base chapitre 2

knn/README.md

@@ -114,6 +114,45 @@ Une fois ces données modélisées, on peut formuler notre algorithme:
 - Trouver la classification majoritaire parmi les voisins les plus proches
 - Renvoyer cette classification
 
+### Application concrète : Google compresse ses modèles IA avec KNN
+
+Vous venez d'apprendre à trouver le voisin le plus proche d'un point dans un espace de coordonnées. Google utilise exactement ce principe pour réduire la mémoire nécessaire à ses modèles d'IA (comme Gemini).
+
+**Le problème :** un modèle d'IA contient des milliards de paramètres — des vecteurs de nombres décimaux très précis. Les stocker tels quels nécessite des dizaines de gigaoctets de RAM.
+
+**La solution (quantification vectorielle) :**
+1. On construit un petit **dictionnaire** de vecteurs représentatifs (quelques milliers d'entrées)
+2. Pour chaque vecteur du modèle, on cherche lequel dans le dictionnaire est le **plus proche** — en calculant une distance, exactement comme en KNN
+3. On stocke uniquement **l'indice** de ce voisin le plus proche, au lieu du vecteur complet
+
+C'est du KNN avec **K = 1**, appliqué non pas à une classification, mais à une **compression**. Le gain en mémoire peut atteindre un facteur 8.
+
+```python
+import math
+
+vecteur_du_modele = [0.83, -1.47, 0.21]
+
+dictionnaire = [
+    [1.0, -1.5, 0.0],  # indice 0
+    [0.8, -1.4, 0.2],  # indice 1
+    [-0.5, 0.3, 1.1],  # indice 2
+]
+
+def distance(a, b):
+    return math.sqrt(sum((x - y) ** 2 for x, y in zip(a, b)))
+
+# On cherche le plus proche voisin dans le dictionnaire (K=1)
+plus_proche = min(range(len(dictionnaire)),
+                  key=lambda i: distance(vecteur_du_modele, dictionnaire[i]))
+
+print(f"On stocke juste l'indice {plus_proche} au lieu de {vecteur_du_modele}")
+# → On stocke juste l'indice 1 au lieu de [0.83, -1.47, 0.21]
+```
+
+> L'algorithme KNN n'est donc pas réservé à la classification : dès qu'on cherche "le plus ressemblant" dans un ensemble connu, on fait du KNN.
+
+--------------
+
 ### Pour résumer...
 
 L'algorithme des k plus proches voisins a pour objectif d'identifier les voisins les plus proches d'un point de requête donné, afin d'attribuer une classe à ce point