minor modif

Makefile

@@ -8,7 +8,7 @@ OPTIONS += --filter=pandoc-numbering
 OPTIONS += --filter=pandoc-crossref
 
 PDFOPTIONS = --highlight-style kate
-PDFOPTIONS += --pdf-engine pdflatex
+PDFOPTIONS += --pdf-engine xelatex
 PDFOPTIONS += --number-sections
 PDFOPTIONS += --template=./default.latex
 
@@ -24,7 +24,7 @@ PDF=$(MD:%.md=%.pdf)
 TEX=$(MD:%.md=%.tex)
 
 
-all: $(HTML) $(TEX) $(PDF)
+all:  $(PDF) $(HTML) $(TEX)
 
 %.tex: %.md Makefile
 	pandoc -s $(OPTIONS) $(PDFOPTIONS) -o $@ $<

cours.md

@@ -967,9 +967,9 @@ noté $f(s)$, n'est autre que la convolution de $h(t)$ avec $s(t)$
 f(s)=(s\ast h)(x)=\int_{-\infty}^\infty f(x-t)g(t)\dd t.
 \end{equation}
 
-### La convolution discrète
+<!-- ### La convolution discrète
 
-En se rappelant que l'intégrale n'est rien d'autre qu'une somme un peu plus compliquée
+En se rappelant que l'intégrale n'est rien d'autre qu'une somme un peu plus compliquée -->
 
 Intégration numérique
 ---------------------
@@ -1180,12 +1180,12 @@ On peut observer le résultat de la régression sur la @fig:regression_ex, où o
 
 ---
 
-La régression linéaire est un problème **d'optimisation continu**. On voit que contrairement au problème du voyageur du commerce,
-l'ensemble des solutions est $a\in\real$ et non une suite discrète de villes. Ce genre de problème, bien que possédant un espace de recherche infini,
-est bien souvent plus simple à résoudre, car il possède un cadre théorique mieux défini.
+La régression linéaire est un problème **d'optimisation continu** (par opposition aux problèmes **d'optimisation discrets**).
+Ce genre de problème, bien que possédant un espace de recherche infini,
+est bien souvent plus simple à résoudre que les problèmes d'optimisation discrets, car il possède un cadre théorique mieux défini.
 
-Pour le résoudre, nous avons commencé, comme pour le problème du voyageur du commerce par faire un modèle mathématique.
-Nous avons construit une fonction à minimiser, $E(a)$, et ajouté une contraite, la forme de $y(x)$. Puis, il a suffit de trouver le minimum de $E(a)$
+Pour le résoudre, nous avons commencé par construire un modèle mathématique.
+Nous avons défini une fonction à minimiser, $E(a)$, et ajouté une contraite, la forme de $y(x)$. Puis, il a suffi de trouver le minimum de $E(a)$
 sous la contrainte et le tour était joué.
 
 ## L'optimisation mathématique