packages/macros.sty : Added suchthat operator && typos fixes

contents/GaussianParadigm.tex

@@ -40,7 +40,7 @@ Et à partir de cette distribution, nous pouvons assigner un point $x_i$ du set
 Avec ce changement intrinsèque dans la manière d'entraîner les modèles, nous avons avec ces distributions, plusieurs choix possibles comme :
 \begin{itemize}
 	\item Classification : on peut inférer le label en calculant l'argmin de chaque divergence de Kullback-Leibler \citereferences{kl_divergence} pour toutes les distributions
-	\item Détection d'anomalie : chaque sous distribution est gaussienne, donc un calcul du z-score ($Z=\frac{x-\mu}{\sigma}$) permet de détecter une potentielle anomalie
+	\item Détection d'anomalie : chaque sous distribution est gaussienne, donc un calcul du Z-score ($Z=\frac{x-\mu}{\sigma}$) permet de détecter une potentielle anomalie
 	\item Génération d'échantillons : avec les paramètres estimés de chaque distribution, nous pouvons utiliser un vecteur $\mathcal{N}(\mu',\sigma')$ pour générer de nouveaux vecteurs dans l'espace vectoriel estimé
 	\item Apprentissage semi-supervisée : l'entraînement du modèle ne dépend pas de $Y$ donc nous pouvons entraîner le modèle avec le maximum de données non labellisé. Ensuite, en labellisant que certains points $X$ le modèle pourra déduire quels points sont les plus similaires et en conséquence les plus susceptibles d'être du même label.
 \end{itemize}