fix: reworked paragraph about doing a descent on a "real" cost function...

fix: reworked paragraph about doing a descent on a "real" cost function because in the end, we ain't doing it

report/report.qmd

@@ -29,7 +29,7 @@ l’apprentissage machine et l’intelligence artificielle.
 
 En effet, parmi d’autres utilités hautement majeures, la descente de gradient 
 (le concept en lui-même ainsi que les divers algorithmes) est utilisée dans
-l’entraînement des réseaux neuronaux lors de la rétropropagation ("backpropagation").
+l’entraînement des réseaux neuronaux lors de la "rétropropagation" (_backpropagation_).
 En bref, la rétropropagation consiste à "remonter" dans le réseau depuis la couche
 de sortie en direction de la couche d’entrée. Cette remontée permet d’ajuster les
 poids des neurones ayant contribué à un résultat faussé de sorte à optimiser les
@@ -47,10 +47,11 @@ dans notre exploration.
 Car en effet, ayant compris l’importance de la descente de gradient, nous avons
 voulu à travers ce rapport (de notre propre volonté), explorer en détail 
 différentes facettes de cet outil, de ses paramètres à ses implications pratiques,
-sur des fonctions particulières et une fonction de coût réelle. 
-Perpendiculairement à la comparaison des fonctions, ce sont les méthodes de
-descente qui ont été confrontées, nous menant à méditer les subtilités de chacune
-d’entre elles.
+sur quelques fonctions dites de [**test**](https://fr.wikipedia.org/wiki/Fonction_de_test_pour_l%27optimisation)
+qui permettent de mieux évaluer les diverses caractéristiques des algorithmes
+de descente. Perpendiculairement à la comparaison des fonctions, ce sont les
+méthodes de descente qui ont été confrontées, nous menant à méditer les
+subtilités de chacune d’entre elles.
 
 Aussi, nous souhaitons-vous un bon voyage dans l’univers merveilleux de ce rapport
 immersif, et vous prions de vous laisser porter au-travers des dunes par les 
@@ -106,7 +107,7 @@ $$
 f(x, y) = x^2 + ky^2 \quad \forall k \in \mathbb{N}
 $$ {#eq-func-bol}
 
-**n.b.** : Le gradient $\nabla$ de la fonction ci-dessus est accentué dans
+**n.b.** : Le gradient $\nabla$ de la fonction ci-dessous est accentué dans
 la direction de l'axe $y$ à l'aide du facteur $k = 5$. Ceci aura son importance
 lors de l'explication de la problématique des ravines ainsi que de la
 visualisation de la méthode d'**Adam**.