1 files changed, 16 insertions, 16 deletions
diff --git a/background/ml.tex b/background/ml.tex
index d1c08a3..d1f95b0 100644
--- a/background/ml.tex
+++ b/background/ml.tex
@@ -309,19 +309,19 @@ L'idée de la convolution est d'extraire des représentations\footnote{\textit{F
 \subsubsection{Modèle generatif}
 \label{sec:background-generation}
 
-A generator is a function that takes as input a real dataset and outputs a synthetic dataset.
-This definition is general enough so that the identity function is a generator.
-Even though synthetic datasets are supposedly different than real world datasets.
-We refer to the output of the identity generator as real data while referring to the output of another generator as synthetic data.
-
-In addition to the identity generator we use General Adversarial Networks (GAN)~\cite{gan}.
-The goal of a GAN is to generate realistic samples given a distribution of multivariate data.
-To do so a GAN leverages two neural networks: a generator and a discriminator. 
-The domain of the generator (its input space) is of low dimension with respect to its codomain (its output space) which has the same dimension as the data we want to generate.
-For instance with 64 by 64 images, the codomain is a matrix with 64 rows and 64 columns.
-To generate a new sample, we evaluate the generator on a sample of a multivariate standard normal distribution where the dimension is the domain's dimension.
-This output is the new generated synthetic data point.
-
-The discriminator is only used when training the GAN with the goal of making sure that the generator produces realistic data.
-To do so, the discriminator is a neural network with a classification goal: infer if a sample is synthetic or real.
-Hence in the training procedure, the discriminator and the generator are in competition: the generator goal is to fool the discriminator into classifying synthetic data as real data.
+Une generateur est un fonction qui prend un entrée en jeu de données réel et renvoi un jeu de donnée sythetique.
+Cette définition est suffisament générale pour que l'identitée soit un générateur.
+Nous dirons que la sortie du generateur identité sont des données réels et nous appellerons donnée synthetique la sortie de n'importe quel autre générateur.
+
+En plus du générateur identitée nous utiliserons des réseaux de neuronnes adversariels generatifs~\footnote{\textit{Genertaiv Adversarial Network}} (GAN)~\cite{gan}.
+Le but d'un GAN est de générer des échantillons réalisation étant donné une loi de probabilité.
+Pour arriver à cela, un GAN utilise deux réseaux de neuronnes : un générateur et un discriminateur.
+Le domaine du générateur est de petit dimension relativement à son codomaine.
+La dimension du codomaine est la même que celle des données que l'on souhaite générer.
+Par exemple pour générer de images de taille 64 par 64, le codomaine est $\mathbb{R}_{64,64}$.
+Pour générer une donnée, nous évaluons le générateur sur un point generer à partir d'une loi normale multidimensionelle.
+La sortie de générateur est la nouvelle donnée généré.
+
+Le discriminateur est utilisé uniquement lors de l'entraînement du GAN et à a pour but de s'assurer que le générateur produise des données réalistes.
+Pour cela, le discriminateur est un réseau de neurones ayant une tâche de classification : inférer si une donnée est synthétique et réel.
+Ainsi, dans la procédure d'entraînement, le discriminateur et el générateur sont en compétition : le but du générateur est de tromper le discriminateur à classifier une donnée synthétique comme réel.