diff --git a/cnam/travaux/probatoire/document.bib b/cnam/travaux/probatoire/document.bib
index 2223576..3d72364 100644
--- a/cnam/travaux/probatoire/document.bib
+++ b/cnam/travaux/probatoire/document.bib
@@ -71,6 +71,30 @@ publisher = "O'Reilly",
 pages     = "164",
 }
 
+@book{multi-class,
+author    = "Paresh Deka",
+title     = "A primer on machine learning applications in civil engineering",
+year      = "2020",
+publisher = "CRC Press",
+pages     = "86-89",
+}
+
+@book{mri,
+author    = "Anand Kulkarni and Suresh Satapathy",
+title     = "Optimization in Machine Learning and Applications",
+year      = "2020",
+publisher = "Springer",
+pages     = "51-68",
+}
+
+@book{optimization,
+author    = "Anand Kulkarni and Suresh Satapathy",
+title     = "Optimization in Machine Learning and Applications",
+year      = "2020",
+publisher = "Springer",
+pages     = "54",
+}
+
 @phdthesis{large-scale,
 author    = "Antoine Bordes",
 title     = "New Algorithms for Large-Scale SVM",
@@ -78,17 +102,9 @@ year      = "2010",
 school    = "Université Paris VI",
 }
 
-
-@book{csdd,
-author    = "Jean Beney",
-title     = "Classification supervisée de documents : théorie et pratique",
-year      = "2008",
-publisher = "Hermes Science",
-}
-
-@article{svm,
-author    = "Ricco Rakotomalala",
-title     = "SVM : Support Vector Machine",
-year      = "????",
-publisher = "Université Lumière Lyon 2",
+@unpublished{cs,
+author    = "Philippe Gambette",
+title     = "Classification supervisée et non supervisée",
+year      = "2014",
+school    = "Université Paris-Est Marne-la-Vallée",
 }
diff --git a/cnam/travaux/probatoire/document/analysis.tex b/cnam/travaux/probatoire/document/analysis.tex
index 3b32b4e..483dd10 100644
--- a/cnam/travaux/probatoire/document/analysis.tex
+++ b/cnam/travaux/probatoire/document/analysis.tex
@@ -72,7 +72,7 @@ de nouveaux algorithmes ont été mis à contribution depuis \cite{large-scale}}
 
 \begin{itmz}
 
-\item{le choix d’une \gls{kf} appropriée n’est pas facile,\\
+\item{le choix d’une \gls{kf} appropriée n’est pas évident,\\
 et peut facilement mener à un trop grand nombre de \glspl{sv}}
 
 \end{itmz}\begin{itmz}
@@ -82,6 +82,10 @@ car ces derniers doivent y être intégralement stockés}
 
 \end{itmz}\begin{itmz}
 
+\item{difficile d’identifier les bonnes valeurs de paramètres}
+
+\end{itmz}\begin{itmz}
+
 \item{le temps d’entraînement augmente avec le nombre d’éléments}
 
 \end{itmz}\begin{itmz}
@@ -96,7 +100,8 @@ contrairement par exemple aux arbres de décisions}
 
 \end{itmz}\begin{itmz}
 
-\item{effet boîte noire si compréhension insuffisante des outils mathématiques}
+\item{effet boîte noire en cas de compréhension insuffisante\\
+des différents outils mathématiques sous-jacents}
 
 \end{itmz}
 
@@ -114,6 +119,10 @@ plusieurs paramètres varient, contrairement à d’autres méthodes}
 \item{une normalisation préalable des données est nécessaire,\\
 pour que les fonctions objectifs restent pertinentes}
 
+\end{itmz}\begin{itmz}
+
+\item{les problèmes multi-classes sont encore un champ de recherche}
+
 \end{itmz}
 
 
diff --git a/cnam/travaux/probatoire/document/introduction.tex b/cnam/travaux/probatoire/document/introduction.tex
index bf707b7..2169ac8 100644
--- a/cnam/travaux/probatoire/document/introduction.tex
+++ b/cnam/travaux/probatoire/document/introduction.tex
@@ -57,15 +57,16 @@ Exemples d’algorithmes :
 
 \subsection{Méthodes supervisées}
 
-Ces dernières méthodes utilisent un ensemble d’éléments intégralement étiquetés,
+Ces méthodes utilisent 2 sous-ensembles d’éléments intégralement étiquetés,
 ayant une valeur de sortie pour plusieurs valeurs de variables en entrée.
-Ces données d’apprentissage permettent après entraînement de pouvoir
-prévoir des valeurs de sortie correctes à partir de nouvelles valeurs en entrée.
+Les données d’apprentissage permettent un entraînement préalable du modèle.
+Les données de test permettent ensuite d’en évaluer la pertinence.
 
-Ces prédictions sont de 2 types :
+Le modèle permet enfin, à partir de nouvelles valeurs en entrée,
+de fournir des valeurs de sortie prédictives de 2 types :
 \begin{itmz}
-\item{régression → la valeur sortante est un nombre}
-\item{classification → la valeur sortante est une catégorie}
+\item{régression → la valeur est un nombre}
+\item{classification → la valeur est une catégorie, parmi un ensemble défini}
 \end{itmz}
 
 Exemples d’algorithmes :
@@ -79,9 +80,7 @@ Exemples d’algorithmes :
 \end{itmz}
 
 Ce sont ces \gls{svm} qui feront l’objet d’étude du présent document.
-Après en avoir abordé les différents principes sous-jacents,
-une analyse critique sera proposée en se basant sur les avantages,
-inconvénients et limitations de ce type d’algorithmes
-dans le cadre d’un exemple d’application.
+En seront passés en revue les différents principes techniques sous-jacents,
+un exemple d’application, ainsi qu’un regard critique sur ce type d’algorithmes.
 
 \pagebreak
diff --git a/cnam/travaux/probatoire/document/principles.tex b/cnam/travaux/probatoire/document/principles.tex
index 76b74bd..d981b62 100644
--- a/cnam/travaux/probatoire/document/principles.tex
+++ b/cnam/travaux/probatoire/document/principles.tex
@@ -120,6 +120,8 @@ au risque d’engendrer un surentraînement si trop importante}
 
 …
 
+Référence multi-classes \cite{multi-class}
+Référence optimisation \cite{mri} \cite{optimization}
 \cite{svm}
 
 \pagebreak