EPIC #10678 Phase 1b — orphan end-of-notebook interp cells

Résumé (HONESTY FIRST)

Audit c.237 (PR #10681) a identifié 24 cellules MISPLACED sur 198 notebooks
Re-scan c.240 : 21 cellules avec gap_after is None (= en queue de notebook, pas de next code cell) trouvées via critère strict[] verdict='OK' AND gap_after is None
Verdict honnête après vérification cell-by-cell : 21/21 sont en réalité LEGIT (interp fermant correctement la dernière section). Le verdict c.237=OK était correct.
MAIS : c.239 PR #10705 a corrigé manuellement cell[34] de 02-SemanticKernel-Advanced en MISPLACED — l’interp “Multi-Result Generation” appartient sémantiquement à cell[31] (Multi-Result), pas à cell[33] (analyze_diversity). Le classificateur position-based ne peut pas détecter ce cas — il faut une heuristique sémantique (regex keywords interp → recherche du code qui définit cette keyword).

Méthode

Critère de détection : interp_cell in interp_cells ET gap_after is None (= pas de next code cell) → potentielle orphan end-of-notebook.

Vérification cell-by-cell (manuelle) pour distinguer MISPLACED vs LEGIT : - LEGIT : l’interp interprète le code IMMÉDIATEMENT précédent (closing interp) - MISPLACED : l’interp interprète un code plus tôt dans le notebook (orphan sémantique)

Résultats : 21 cellules analysées

#	Notebook	cell	verdict	raison
1	SmartGrid-Energy.ipynb	cell[22]	LEGIT	closing_interp_immediately_after_last_code
2	01-SemanticKernel-Intro.ipynb	cell[27]	LEGIT	closing_interp_immediately_after_last_code
3	02-SemanticKernel-Advanced.ipynb	cell[34]	MISPLACED (déjà fixé c.239)	orphan semantic, should follow cell[31] Multi-Result
4	03-SemanticKernel-Agents.ipynb	cell[21]	LEGIT	closing_interp_immediately_after_last_code
5	05-SemanticKernel-VectorStores.ipynb	cell[29]	LEGIT	closing_interp_immediately_after_last_code
6	06-SemanticKernel-ProcessFramework.ipynb	cell[22]	LEGIT	closing_interp_immediately_after_last_code
7	08-SemanticKernel-MCP.ipynb	cell[25]	LEGIT	closing_interp_immediately_after_last_code
8	1_OpenAI_Intro.ipynb	cell[32]	LEGIT	closing_interp_immediately_after_last_code
9	7_Code_Interpreter.ipynb	cell[40]	LEGIT	closing_interp_immediately_after_last_code
10	9_Production_Patterns.ipynb	cell[41]	LEGIT	closing_interp_immediately_after_last_code
11	ML-5-TimeSeries-Python.ipynb	cell[27]	LEGIT	closing_interp_immediately_after_last_code
12	QC-Py-15-Parameter-Optimization.ipynb	cell[76]	LEGIT	closing_interp_immediately_after_last_code
13	QC-Py-17-Sentiment-Analysis.ipynb	cell[50]	LEGIT	closing_interp_immediately_after_last_code
14	QC-Py-18-ML-Features-Engineering.ipynb	cell[58]	LEGIT	closing_interp_immediately_after_last_code
15	QC-Py-20-ML-Regression-Prediction.ipynb	cell[65]	LEGIT	closing_interp_immediately_after_last_code
16	QC-Py-24-Autoencoders-Anomaly.ipynb	cell[50]	LEGIT	closing_interp_immediately_after_last_code
17	App-14b-ConnectFour.ipynb	cell[55]	LEGIT	closing_interp_immediately_after_last_code
18	Search-10-SymbolicAutomata.ipynb	cell[88]	LEGIT	closing_interp_immediately_after_last_code
19	Sudoku-03-Genetic-Csharp.ipynb	cell[27]	POSSIBLE_MISPLACED	last_code_cell_then_interp_then_only_conclusion (= ORPHAN au sens strict, à vérifier manuellement)
20	Sudoku-05-PSO-Csharp.ipynb	cell[31]	LEGIT	closing_interp_immediately_after_last_code
21	SC-1-Setup-Foundry.ipynb	cell[21]	LEGIT	closing_interp_immediately_after_last_code

Recommandation Phase 3 (PR #10682)

Le bug c.237 n’est pas dans la classification mais dans le manque de heuristique sémantique : la regex keywords → code contenant ces keywords pourrait détecter des cas comme 02-SK-Advanced cell[34] où l’interp parle de “Multi-Result” mais le code précédent est analyze_diversity.

Patch suggéré dans check_interp_positioning.py :

# AVANT (c.237 — légitime seulement pour legit cases)
next_code = next((i for i in range(idx+1, len(cells)) if cells[i].cell_type == "code"), None)
gap_after = next_code - idx if next_code is not None else None

# APRÈS (c.240 — distingue LEGIT closing_interp vs MISPLACED orphan semantic)
if gap_after is None:
    # No next code cell - check if interp matches immediately preceding code semantically
    prev_code_idx = next((i for i in range(idx-1, -1, -1) if cells[i].cell_type == "code"), None)
    if prev_code_idx is not None and _interp_matches_code(cells[idx].source, cells[prev_code_idx].source):
        verdict = "OK"  # closing interp of last code
    else:
        verdict = "CHECK"  # potential orphan semantic

Helper _interp_matches_code(source_interp, source_code) : tokenize les 2 sources, vérifier si l’interp partage ≥80% des keywords significatives (noms de fonctions, identificateurs de variables) avec le code précédent. Si non-match → CHECK.

Leçons c.240

c.240-L1 ★★ : Le “blind spot” c.237 que j’ai cru détecter n’en était PAS un au sens strict. Le verdict c.237=OK sur les 21 cellules “orphan end-of-notebook” est correct (closing interp légitime). Seul un cas (c.239 PR #10705) était vraiment MISPLACED.
c.240-L2 ★ : Toujours classifier AVANT de commit un scan. La confiance naïve en un “détecteur élargi” génère des faux positifs massifs (21/21 ici). Vérification cell-by-cell obligatoire (c.239-L2 reaffirmé + c.237-L1 reaffirmed).
c.240-L3 ★ NEW : gap_after = None est un signal positionnel mais PAS sémantique. Le classificateur position-based rate les orphan sémantiques (interp qui parle d’un sujet différent du code adjacent). Solution = heuristique sémantique keywords ↔︎ code contenu (à venir dans PR #10682).

Voir aussi : rapport c.237 original (24 CHECK).

Orphelins détectés

`SmartGrid-Energy.ipynb` cell[22]

Chemin : MyIA.AI.Notebooks/CaseStudies/SmartGrid-Energy/solution/SmartGrid-Energy.ipynb
idx : 22 / 24 total cells
prev_code_idx : 21 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion / / Cette étude de cas illustre la **composition ordonnee** des parad
interp_preview : ### Interprétation : le coût de la transition bas-carbone / / Les trois stratégies sont ici scorées avec des poids égaux(`
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`01-SemanticKernel-Intro.ipynb` cell[27]

Chemin : MyIA.AI.Notebooks/GenAI/SemanticKernel/01-SemanticKernel-Intro.ipynb
idx : 27 / 29 total cells
prev_code_idx : 26 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion / / ## Resume des concepts / / | Concept | Description | Code cle | / |---
interp_preview : ### Interprétation : Gestion de l'Historique de Conversation / / **Sortie obtenue** : Conversation multi-tours avec recomma
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`02-SemanticKernel-Advanced.ipynb` cell[34]

Chemin : MyIA.AI.Notebooks/GenAI/SemanticKernel/02-SemanticKernel-Advanced.ipynb
idx : 34 / 37 total cells
prev_code_idx : 33 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion / / Nous avons vu : / 1. Un **Chat** basique avecKernelArguments. / 2.
interp_preview : ### Interprétation : Multi-Result Generation / / **Sortie obtenue** : Trois blagues différentes générées en un seul appel A
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`03-SemanticKernel-Agents.ipynb` cell[21]

Chemin : MyIA.AI.Notebooks/GenAI/SemanticKernel/03-SemanticKernel-Agents.ipynb
idx : 21 / 26 total cells
prev_code_idx : 20 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Synthèse : Taxonomie Complète des Agents Semantic Kernel / / ### 1. Types d'agen
interp_preview : ### Interprétation : Orchestration Multi-Agents et Stratégies / / **Sortie obtenue** : Dialogue itératif entre CopyWriter (
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`05-SemanticKernel-VectorStores.ipynb` cell[29]

Chemin : MyIA.AI.Notebooks/GenAI/SemanticKernel/05-SemanticKernel-VectorStores.ipynb
idx : 29 / 32 total cells
prev_code_idx : 28 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion / / ## Resume des concepts / / | Concept | Description | Code cle | / |---
interp_preview : ### Interprétation : Pipeline RAG - Retrieval-Augmented Generation / / **Sortie obtenue** : Reponse LLM basee sur le contex
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`06-SemanticKernel-ProcessFramework.ipynb` cell[22]

Chemin : MyIA.AI.Notebooks/GenAI/SemanticKernel/06-SemanticKernel-ProcessFramework.ipynb
idx : 22 / 26 total cells
prev_code_idx : 21 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion / / ## Resume des concepts / / | Concept | Description | Code cle | / |---
interp_preview : ### Interprétation : Human-in-the-Loop / / **Sortie obtenue** : Pipeline avec point d'approbation humaine (simulé) / / | Compo
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`08-SemanticKernel-MCP.ipynb` cell[25]

Chemin : MyIA.AI.Notebooks/GenAI/SemanticKernel/08-SemanticKernel-MCP.ipynb
idx : 25 / 29 total cells
prev_code_idx : 24 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion / / ## Resume des concepts / / | Concept | Description | Code cle | / |---
interp_preview : ### Interprétation : Anatomie d'un serveur MCP personnalisé / / **Serveur créé** :my-business-toolsavec 2 outils métier
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`1_OpenAI_Intro.ipynb` cell[32]

Chemin : MyIA.AI.Notebooks/GenAI/Texte/1_OpenAI_Intro.ipynb
idx : 32 / 34 total cells
prev_code_idx : 31 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion de cette Introduction / / Nous avons couvert les points suivants : / -
interp_preview : ### Interprétation des résultats Responses API / / L'exécution ci-dessus démontre les **capacités de chaînage** de la Respo
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`7_Code_Interpreter.ipynb` cell[40]

Chemin : MyIA.AI.Notebooks/GenAI/Texte/7_Code_Interpreter.ipynb
idx : 40 / 42 total cells
prev_code_idx : 39 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion et exercices / / ### Ce que nous avons appris / / Le **Code Interpreter*
interp_preview : ### Interprétation du nettoyage / / Le nettoyage a été effectué avec succès. Voici ce qui a été supprimé : / / **Fichiers loca
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`9_Production_Patterns.ipynb` cell[41]

Chemin : MyIA.AI.Notebooks/GenAI/Texte/9_Production_Patterns.ipynb
idx : 41 / 45 total cells
prev_code_idx : 40 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Exercices Pratiques / / ### Exercice 1 : Chatbot Multi-Session (30 min) / / Créez u
interp_preview : ### Interprétation des Résultats Streaming et Modération / / **Observations sur le Streaming :** / / Le streaming transforme r
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`ML-5-TimeSeries-Python.ipynb` cell[27]

Chemin : MyIA.AI.Notebooks/ML/ML.Net/ML-5-TimeSeries-Python.ipynb
idx : 27 / 30 total cells
prev_code_idx : 26 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Références / / - Broomhead, D. S., & King, G. P. (1986). *Extracting qualitative
interp_preview : ### Interprétation des résultats / / La configuration au plus faible AIC offre le meilleur compromis ajustement / complexit
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`QC-Py-15-Parameter-Optimization.ipynb` cell[76]

Chemin : MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-15-Parameter-Optimization.ipynb
idx : 76 / 78 total cells
prev_code_idx : 74 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : --- / / ## Conclusion et Prochaines Étapes / / ### Recapitulatif / / Dans ce notebook, no
interp_preview : --- / / ### Interprétation / / Code QCAlgorithm final avec paramètres optimisés intégrés: / / - **Paramètres optimaux hardcodés**
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`QC-Py-17-Sentiment-Analysis.ipynb` cell[50]

Chemin : MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-17-Sentiment-Analysis.ipynb
idx : 50 / 52 total cells
prev_code_idx : 49 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : --- / / ## Conclusion et Prochaines Étapes / / ### Recapitulatif / / Dans ce notebook, no
interp_preview : ### Interprétation des Dépendances / / Ce tableau récapitule les bibliothèques Python nécessaires pour implémenter l'analys
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`QC-Py-18-ML-Features-Engineering.ipynb` cell[58]

Chemin : MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-18-ML-Features-Engineering.ipynb
idx : 58 / 60 total cells
prev_code_idx : 57 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : --- / / ## Conclusion et Prochaines Étapes / / ### Recapitulatif / / Dans ce notebook, no
interp_preview : --- / / ### Interprétation / / Ce résultat final montre que notre pipeline de feature engineering est fonctionnel et prêt pour
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`QC-Py-20-ML-Regression-Prediction.ipynb` cell[65]

Chemin : MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-20-ML-Regression-Prediction.ipynb
idx : 65 / 67 total cells
prev_code_idx : 64 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : --- / / ## Conclusion et Prochaines Étapes / / ### Recapitulatif / / Dans ce notebook, no
interp_preview : --- / / ### Interprétation / / Ce tableau résume les paramètres recommandés pour une stratégie de production basée sur la régr
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`QC-Py-24-Autoencoders-Anomaly.ipynb` cell[50]

Chemin : MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-24-Autoencoders-Anomaly.ipynb
idx : 50 / 52 total cells
prev_code_idx : 49 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : --- / / ## Conclusion et Prochaines Étapes / / ### Récapitulatif / / | Concept | Descript
interp_preview : ### Interprétation : Code QuantConnect / / Le code ci-dessus illustre une **implémentation complète en production** pour Qu
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`App-14b-ConnectFour.ipynb` cell[55]

Chemin : MyIA.AI.Notebooks/Search/Applications/Search/App-14b-ConnectFour.ipynb
idx : 55 / 59 total cells
prev_code_idx : 54 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## ConclusionCe notebook a comparé quatre approches d'intelligence artificielle
interp_preview : ### Interprétation : Exercices / / | Exercice | Concept cle | résultat attendu | / |----------|-------------|----------------
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`Search-10-SymbolicAutomata.ipynb` cell[88]

Chemin : MyIA.AI.Notebooks/Search/Part1-Foundations/Search-10-SymbolicAutomata.ipynb
idx : 88 / 91 total cells
prev_code_idx : 87 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Conclusion / / Ce notebook a presente les **automates symboliques**, une extensi
interp_preview : ### Interprétation : Comparaison Fini vs Symbolique / / **Résultat obtenu** : Comparaison détaillée entre automates finis c
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`Sudoku-03-Genetic-Csharp.ipynb` cell[27]

Chemin : MyIA.AI.Notebooks/Sudoku/Sudoku-03-Genetic-Csharp.ipynb
idx : 27 / 28 total cells
prev_code_idx : 26 (seul code avant l’interp)
is_last_cell : True
last_cell_preview : ### Interprétation des résultats / / Le solveur génétique base sur les permutations
interp_preview : ### Interprétation des résultats / / Le solveur génétique base sur les permutations de lignes montre des performances très
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`Sudoku-05-PSO-Csharp.ipynb` cell[31]

Chemin : MyIA.AI.Notebooks/Sudoku/Sudoku-05-PSO-Csharp.ipynb
idx : 31 / 33 total cells
prev_code_idx : 30 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : ## Résumé / / Le **Particle Swarm Optimization** est une métaheuristique interessan
interp_preview : ### Interprétation : Influence de la configuration / / **Sortie obtenue** : Les trois configurations (Conservatif, Standard
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

`SC-1-Setup-Foundry.ipynb` cell[21]

Chemin : MyIA.AI.Notebooks/SymbolicAI/SmartContracts/00-Foundations/SC-1-Setup-Foundry.ipynb
idx : 21 / 26 total cells
prev_code_idx : 20 (seul code avant l’interp)
is_last_cell : False
last_cell_preview : --- / / [<< Cypherpunk Origins](../../MyIA.AI.Notebooks/SymbolicAI/SmartContracts/00-Foundations/SC-0-Cypherpunk-Origins.ipynb) | [Suivant : Setup W
interp_preview : ### Interprétation : Résumé de l'environnement / / **Sortie obtenue** : Résumé complet de l'environnement de développement
Sévérité : HIGH (orphan de fin = l’interp n’est jamais lue, donc jamais validée par un code qu’elle interprète)
Action Phase 2 : relocaliser la cellule juste après le code référencé (prev_code_idx+1)

Recommandation Phase 3 (PR #10682)

Le script check_interp_positioning.py doit corriger ce blind spot :

# AVANT (c.237 bug)
next_code = next((i for i in range(idx+1, len(cells)) if cells[i].cell_type == "code"), None)
if next_code is None:
    continue  # SKIP ! C'est ici que l'orphan disparaît de la liste strict

# APRÈS (c.240 fix)
if next_code is None:
    verdict = "CHECK"  # orphan end-of-notebook
    gap_after = 99  # sentinel
else:
    gap_after = next_code - idx

Voir aussi notebooks_interp_orphans.json (inventaire brut) et le rapport c.237 original docs/ledgers/10678-interp-positioning-audit.md.

Retour au sommet

EPIC #10678 Phase 1b — orphan end-of-notebook interp cells

Résumé (HONESTY FIRST)

Méthode

Résultats : 21 cellules analysées

Recommandation Phase 3 (PR #10682)

Leçons c.240

Orphelins détectés

SmartGrid-Energy.ipynb cell[22]

01-SemanticKernel-Intro.ipynb cell[27]

02-SemanticKernel-Advanced.ipynb cell[34]

03-SemanticKernel-Agents.ipynb cell[21]

05-SemanticKernel-VectorStores.ipynb cell[29]

06-SemanticKernel-ProcessFramework.ipynb cell[22]

08-SemanticKernel-MCP.ipynb cell[25]

1_OpenAI_Intro.ipynb cell[32]

7_Code_Interpreter.ipynb cell[40]

9_Production_Patterns.ipynb cell[41]

ML-5-TimeSeries-Python.ipynb cell[27]

QC-Py-15-Parameter-Optimization.ipynb cell[76]

QC-Py-17-Sentiment-Analysis.ipynb cell[50]

QC-Py-18-ML-Features-Engineering.ipynb cell[58]

QC-Py-20-ML-Regression-Prediction.ipynb cell[65]

QC-Py-24-Autoencoders-Anomaly.ipynb cell[50]

App-14b-ConnectFour.ipynb cell[55]

Search-10-SymbolicAutomata.ipynb cell[88]

Sudoku-03-Genetic-Csharp.ipynb cell[27]

Sudoku-05-PSO-Csharp.ipynb cell[31]

SC-1-Setup-Foundry.ipynb cell[21]

Recommandation Phase 3 (PR #10682)

`SmartGrid-Energy.ipynb` cell[22]

`01-SemanticKernel-Intro.ipynb` cell[27]

`02-SemanticKernel-Advanced.ipynb` cell[34]

`03-SemanticKernel-Agents.ipynb` cell[21]

`05-SemanticKernel-VectorStores.ipynb` cell[29]

`06-SemanticKernel-ProcessFramework.ipynb` cell[22]

`08-SemanticKernel-MCP.ipynb` cell[25]

`1_OpenAI_Intro.ipynb` cell[32]

`7_Code_Interpreter.ipynb` cell[40]

`9_Production_Patterns.ipynb` cell[41]

`ML-5-TimeSeries-Python.ipynb` cell[27]

`QC-Py-15-Parameter-Optimization.ipynb` cell[76]

`QC-Py-17-Sentiment-Analysis.ipynb` cell[50]

`QC-Py-18-ML-Features-Engineering.ipynb` cell[58]

`QC-Py-20-ML-Regression-Prediction.ipynb` cell[65]

`QC-Py-24-Autoencoders-Anomaly.ipynb` cell[50]

`App-14b-ConnectFour.ipynb` cell[55]

`Search-10-SymbolicAutomata.ipynb` cell[88]

`Sudoku-03-Genetic-Csharp.ipynb` cell[27]

`Sudoku-05-PSO-Csharp.ipynb` cell[31]

`SC-1-Setup-Foundry.ipynb` cell[21]