[FR] French review

units/en/unit0/introduction.mdx

@@ -138,6 +138,9 @@ We would like to extend our gratitude to the following individuals for their inv
 - **[David Berenstein](https://huggingface.co/davidberenstein1957)** – For his help on the course content and moderation.
 - **[XiaXiao (ShawnSiao)](https://huggingface.co/SSSSSSSiao)** – Chinese translator for the course.
 - **[Jiaming Huang](https://huggingface.co/nordicsushi)** – Chinese translator for the course.
+- **[Kim Noel](https://github.com/knoel99)** - French translator for the course.
+- **[Loïck Bourdois](https://huggingface.co/lbourdois)** - French translator for the course from [CATIE](https://www.catie.fr/).
+
 
 ## I found a bug, or I want to improve the course [[contribute]]
 

units/fr/_toctree.yml

@@ -3,49 +3,49 @@
   - local: unit0/introduction
     title: Bienvenue dans le cours 🤗
   - local: unit0/onboarding
-    title: Intégration
+    title: Embarquement
   - local: unit0/discord101
-    title: (Optionnel) Discord 101
+    title: (Optionnel) Introduction à Discord 
 - title: Live 1. Comment fonctionne le cours et Q&R
   sections:
   - local: communication/live1
     title: Live 1. Comment fonctionne le cours et Q&R
 - title: Unité 1. Introduction aux Agents
   sections:
   - local: unit1/introduction
-    title: Introduction
+    title: Introduction aux agents
   - local: unit1/what-are-agents
-    title: Qu'est-ce qu'un Agent ?
+    title: Qu'est-ce qu'un agent ?
   - local: unit1/quiz1
     title: Quiz rapide 1
   - local: unit1/what-are-llms
-    title: Que sont les LLMs ?
+    title: Qu'est-ce qu'un LLM ?
   - local: unit1/messages-and-special-tokens
-    title: Messages et Tokens Spéciaux
+    title: Messages et tokens spéciaux
   - local: unit1/tools
-    title: Que sont les Outils ?
+    title: Que sont les outils ?
   - local: unit1/quiz2
     title: Quiz rapide 2
   - local: unit1/agent-steps-and-structure
-    title: Comprendre les Agents IA à travers le cycle Raisonnement-Action-Observation
+    title: Comprendre les agents à travers le cycle Réflexion-Action-Observation
   - local: unit1/thoughts
-    title: Raisonnement, Raisonnement Interne et l'Approche Re-Act
+    title: Réflexions, raisonnement interne et l'approche Re-Act
   - local: unit1/actions
-    title: Actions, permettant à l'Agent d'interagir avec son environnement
+    title: Actions, permettre à l'agent d'interagir avec son environnement
   - local: unit1/observations
-    title: Observer, intégrer les retours pour réfléchir et s'adapter
+    title: Observer, intégrer le retour d'information pour réfléchir et s'adapter
   - local: unit1/dummy-agent-library
-    title: Bibliothèque d'Agents Factices
+    title: Bibliothèque d'agents factices
   - local: unit1/tutorial
-    title: Créons notre premier Agent avec Smolagents
+    title: Créons notre premier agent avec smolagents
   - local: unit1/final-quiz
-    title: Quiz Final de l'Unité 1
+    title: Quiz final de l'Unité 1
   - local: unit1/conclusion
     title: Conclusion
-- title: Unité 2. Frameworks pour les Agents IA
+- title: Unité 2. Frameworks pour les agents
   sections:
   - local: unit2/introduction
-    title: Frameworks pour les Agents IA
+    title: Frameworks pour les agents
 - title: Unité 2.1 Le framework smolagents
   sections:
   - local: unit2/smolagents/introduction
@@ -55,19 +55,19 @@
   - local: unit2/smolagents/quiz1
     title: Quiz rapide 1
   - local: unit2/smolagents/code_agents
-    title: Construire des Agents qui utilisent du code
+    title: Construire des agents qui utilisent du code
   - local: unit2/smolagents/tool_calling_agents
     title: Écrire des actions sous forme d'extraits de code ou de blobs JSON
   - local: unit2/smolagents/tools
     title: Outils
   - local: unit2/smolagents/retrieval_agents
-    title: Agents de récupération
+    title: Construction de systèmes de RAG agentiques
   - local: unit2/smolagents/quiz2
     title: Quiz rapide 2
   - local: unit2/smolagents/multi_agent_systems
     title: Systèmes multi-agents
   - local: unit2/smolagents/vision_agents
-    title: Agents de vision et de navigation
+    title: Agents visuel avec smolagents
   - local: unit2/smolagents/final_quiz
     title: Quiz final
   - local: unit2/smolagents/conclusion
@@ -77,9 +77,9 @@
   - local: unit2/llama-index/introduction
     title: Introduction à LlamaIndex
   - local: unit2/llama-index/llama-hub
-    title: Introduction à LlamaHub
+    title: Introduction au LlamaHub
   - local: unit2/llama-index/components
-    title: Que sont les composants dans LlamaIndex ?
+    title: Que sont les components dans LlamaIndex ?
   - local: unit2/llama-index/tools
     title: Utiliser des outils dans LlamaIndex
   - local: unit2/llama-index/quiz1
@@ -111,15 +111,15 @@
 - title: Unité 3. Cas d'usage pour le RAG agentique
   sections:
   - local: unit3/agentic-rag/introduction
-    title: Introduction au cas d'usage pour le RAG agentique
+    title: Introduction au cas d'usage de RAG agentique
   - local: unit3/agentic-rag/agentic-rag
-    title: Génération augmentée par récupération (RAG) agentique
+    title: RAG agentique
   - local: unit3/agentic-rag/invitees
-    title: Créer un outil RAG pour les histoires d'invités
+    title: Création d'un RAG pour converser avec les invités
   - local: unit3/agentic-rag/tools
-    title: Construire et intégrer des outils pour votre agent
+    title: Création et intégration d'outils pour votre agent
   - local: unit3/agentic-rag/agent
-    title: Créer votre agent Gala
+    title: Création de l'agent pour le gala
   - local: unit3/agentic-rag/conclusion
     title: Conclusion
 - title: Unité 4. Projet final - Créer, tester et certifier votre agent
@@ -131,19 +131,19 @@
   - local: unit4/hands-on
     title: Le projet pratique final
   - local: unit4/get-your-certificate
-    title: Obtenez votre certificat d'excellence
+    title: Obtenez votre certificat
   - local: unit4/conclusion
     title: Conclusion du cours
   - local: unit4/additional-readings
-    title: Que devriez-vous apprendre maintenant ?
+    title: Et maintenant ? Quels sujets devrais-je apprendre ?
 - title: Unité bonus 1. Affiner un LLM pour l'appel de fonctions
   sections:
   - local: bonus-unit1/introduction
     title: Introduction
   - local: bonus-unit1/what-is-function-calling
     title: Qu'est-ce que l'appel de fonctions ?
   - local: bonus-unit1/fine-tuning
-    title: Affinons votre modèle pour l'appel de fonctions
+    title: Finetunons un modèle pour pouvoir faire de l'appel de fonctions
   - local: bonus-unit1/conclusion
     title: Conclusion
 - title: Unité bonus 2. Observabilité et évaluation des agents
@@ -153,20 +153,20 @@
   - local: bonus-unit2/what-is-agent-observability-and-evaluation
     title: Qu'est-ce que l'observabilité et l'évaluation des agents ?
   - local: bonus-unit2/monitoring-and-evaluating-agents-notebook
-    title: Surveiller et évaluer les agents
+    title: Observer et évaluer des agents
   - local: bonus-unit2/quiz
     title: Quiz
 - title: Unité bonus 3. Agents dans les jeux avec Pokémon
   sections:
   - local: bonus-unit3/introduction
     title: Introduction
   - local: bonus-unit3/state-of-art
-    title: L'état de l'art dans l'utilisation des LLMs dans les jeux
+    title: L'état de l'art de l'utilisation des LLM dans les jeux
   - local: bonus-unit3/from-llm-to-agents
-    title: Des LLMs aux agents IA
+    title: Des LLM aux agents
   - local: bonus-unit3/building_your_pokemon_agent
-    title: Construisez votre propre agent de combat Pokémon
+    title: Construire un agent de combat Pokémon
   - local: bonus-unit3/launching_agent_battle
-    title: Lancer votre agent de combat Pokémon
+    title: Lancer l'agent de combat Pokémon
   - local: bonus-unit3/conclusion
     title: Conclusion

units/fr/bonus-unit1/conclusion.mdx

@@ -2,12 +2,12 @@
 
 Félicitations pour avoir terminé cette première Unité Bonus 🥳
 
-Vous venez de **maîtriser la compréhension de l'appel de fonctions et comment ajuster finement votre modèle pour faire de l'appel de fonctions** !
+Vous **maîtrisez la compréhension de l'appel de fonctions et comment finetuner votre modèle sur cette tâche** !
 
-Si nous avons un conseil maintenant, c'est d'essayer d'**ajuster finement différents modèles**. La **meilleure façon d'apprendre est en essayant.**
+Nous vous conseillons à présent d'essayer de **finetuner différents modèles**. La **meilleure façon d'apprendre est en testant des choses.**
 
-Dans la prochaine Unité, vous allez apprendre comment utiliser **des frameworks de pointe tels que `smolagents`, `LlamaIndex` et `LangGraph`**.
+Dans la prochaine Unité, vous allez apprendre comment utiliser **des *frameworks* de pointe tels que `smolagents`, `LlamaIndex` et `LangGraph`**.
 
-Enfin, nous aimerions **entendre ce que vous pensez du cours et comment nous pouvons l'améliorer**. Si vous avez des commentaires, alors s'il vous plaît 👉 [remplissez ce formulaire](https://docs.google.com/forms/d/e/1FAIpQLSe9VaONn0eglax0uTwi29rIn4tM7H2sYmmybmG5jJNlE5v0xA/viewform?usp=dialog)
+Enfin, nous serions ravis **d'entendre ce que vous pensez du cours et comment nous pourrions l'améliorer**. Si vous avez des retours, n'hésitez pas à 👉 [remplir ce formulaire](https://docs.google.com/forms/d/e/1FAIpQLSe9VaONn0eglax0uTwi29rIn4tM7H2sYmmybmG5jJNlE5v0xA/viewform?usp=dialog).
 
-### Continuez à apprendre, restez impressionnants 🤗
+### Continuez à apprendre, restez géniaux 🤗

units/fr/bonus-unit1/fine-tuning.mdx

@@ -1,47 +1,47 @@
-# Ajustons finement votre modèle pour l'appel de fonctions
+# Finetunons un modèle pour pouvoir faire de l'appel de fonctions
 
-Nous sommes maintenant prêts à ajuster finement notre premier modèle pour l'appel de fonctions 🔥.
+Nous sommes maintenant prêts à finetuner notre premier modèle pour de l'appel de fonctions 🔥.
 
-## Comment entraînons-nous notre modèle pour l'appel de fonctions ?
+## Comment entraînons-nous un tel modèle ?
 
 > Réponse : Nous avons besoin de **données**
 
-Un processus d'entraînement de modèle peut être divisé en 3 étapes :
+Un processus d'entraînement peut être divisé en 3 étapes :
 
-1. **Le modèle est pré-entraîné sur une grande quantité de données**. Le résultat de cette étape est un **modèle pré-entraîné**. Par exemple, [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b). C'est un modèle de base et il sait seulement comment **prédire le prochain token sans fortes capacités de suivi d'instructions**.
+1. **Le modèle est pré-entraîné sur une grande quantité de données**. Le résultat de cette étape est un **modèle pré-entraîné**. Par exemple, [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b). C'est un modèle de base et il sait seulement comment **prédire le prochain *token* sans fortes capacités de suivi d'instructions**.
 
-2. Pour être utile dans un contexte de chat, le modèle doit ensuite être **ajusté finement** pour suivre des instructions. À cette étape, il peut être entraîné par les créateurs du modèle, la communauté open-source, vous, ou n'importe qui. Par exemple, [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it) est un modèle ajusté pour les instructions par l'équipe Google derrière le projet Gemma.
+2. Pour être utile dans un contexte de conversation, le modèle doit ensuite être **finetuné** pour suivre des instructions. À cette étape, il peut être entraîné par les créateurs du modèle, la communauté open-source, vous, ou n'importe qui. Par exemple, [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it) est un modèle finetuné pour les instructions par l'équipe Google derrière le projet Gemma.
 
-3. Le modèle peut ensuite être **aligné** selon les préférences du créateur. Par exemple, un modèle de chat de service client qui ne doit jamais être impoli avec les clients.
+3. Le modèle peut ensuite être **aligné** selon les préférences du créateur. Par exemple, un modèle conversationnel d'un service client  ne doit jamais être impoli avec l'utilisateur.
 
-Habituellement, un produit complet comme *Gemini* ou *Mistral* **passera par les 3 étapes**, alors que les modèles que vous pouvez trouver sur *Hugging Face* ont complété une ou plusieurs étapes de cet entraînement.
+Habituellement, un produit complet comme *Gemini* ou *Mistral* **sera passé par les 3 étapes**, alors que les modèles que vous pouvez trouver sur *Hugging Face* ont effectué une ou plusieurs étapes de cet entraînement.
 
-Dans ce tutoriel, nous construirons un modèle d'appel de fonctions basé sur [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it). Nous choisissons le modèle ajusté finement [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it) au lieu du modèle de base [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b) parce que le modèle ajusté finement a été amélioré pour notre cas d'usage.
+Dans ce tutoriel, nous allons construire un modèle d'appel de fonctions basé sur [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it). Nous choisissons le modèle  [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it) au lieu du modèle de base [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b) parce que le modèle finetuné a été amélioré pour notre cas d'usage.
 
 Partir du modèle pré-entraîné **nécessiterait plus d'entraînement pour apprendre le suivi d'instructions, le chat ET l'appel de fonctions**.
 
-En partant du modèle ajusté pour les instructions, **nous minimisons la quantité d'informations que notre modèle doit apprendre**.
+En partant du modèle finetuné pour les instructions, **nous minimisons la quantité d'informations que notre modèle doit apprendre**.
 
-## LoRA (*Low-Rank Adaptation of Large Language Models*)
+## LoRA (Low-Rank Adaptation of Large Language Models)
 
-LoRA est une technique d'entraînement populaire et légère qui **réduit significativement le nombre de paramètres entraînables**.
+LoRA est une technique d'entraînement populaire et légère qui **réduit significativement le nombre de paramètres à entraîner**.
 
-Elle fonctionne en **insérant un plus petit nombre de nouveaux poids comme adaptateur dans le modèle à entraîner**. Cela rend l'entraînement avec LoRA beaucoup plus rapide, économe en mémoire, et produit des poids de modèle plus petits (quelques centaines de MB), qui sont plus faciles à stocker et partager.
+Elle fonctionne en **insérant un lot d'adaptateurs constitués d'un petit nombre de nouveaux poids,  dans le modèle à entraîner**. Cela rend l'entraînement avec LoRA beaucoup plus rapide, économe en mémoire, et produit des poids de modèle plus petits (quelques centaines de MB), qui sont plus faciles à stocker et partager.
 
 <img src="https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/unit1/blog_multi-lora-serving_LoRA.gif" alt="LoRA inference" width="50%"/>
 
-LoRA fonctionne en ajoutant des paires de matrices de décomposition de rang aux couches *Transformer*, se concentrant typiquement sur les couches linéaires. Durant l'entraînement, nous "gèlerons" le reste du modèle et ne mettrons à jour que les poids de ces adaptateurs nouvellement ajoutés.
+LoRA fonctionne en ajoutant des paires de matrices de décomposition de rang aux couches d'un *transformer* (typiquement les couches linéaires). Durant l'entraînement, nous gèlons le reste du modèle et ne mettons à jour uniquement les poids de ces adaptateurs ajoutés.
 
-Ce faisant, le nombre de **paramètres** que nous devons entraîner chute considérablement car nous devons seulement mettre à jour les poids de l'adaptateur.
+Ce faisant, le nombre de **paramètres** que nous devons entraîner diminue considérablement car nous devons seulement mettre à jour les poids des adaptateurs.
 
-Durant l'inférence, l'entrée est passée dans l'adaptateur et le modèle de base, ou ces poids d'adaptateur peuvent être fusionnés avec le modèle de base, ne résultant en aucune surcharge de latence supplémentaire.
+Durant l'inférence, l'entrée est passée dans les adaptateurs et le modèle de base. Ou bien les poids des adaptateurs peuvent être fusionnés avec le modèle de base, ne résultant en aucune surcharge de latence supplémentaire.
 
-LoRA est particulièrement utile pour adapter des modèles de langage **larges** à des tâches ou domaines spécifiques tout en gardant les exigences de ressources gérables. Cela aide à réduire la mémoire **requise** pour entraîner un modèle.
+LoRA est particulièrement utile pour adapter de **grands** modèles de langage à des tâches ou domaines spécifiques tout en gardant les exigences de ressources gérables. Cela aide à réduire la mémoire **requise** pour entraîner un modèle.
 
 Si vous voulez en savoir plus sur comment LoRA fonctionne, vous devriez consulter ce [tutoriel](https://huggingface.co/learn/nlp-course/chapter11/4?fw=pt).
 
-## Ajustement fin d'un modèle pour l'appel de fonctions
+## Finetuning d'un modèle pour l'appel de fonctions
 
-Vous pouvez accéder au notebook du tutoriel 👉 [ici](https://huggingface.co/agents-course/notebooks/blob/main/bonus-unit1/bonus-unit1.ipynb).
+La suite de cette section se passe dans le *notebook* du tutoriel que vous pouvez accéder 👉 [ici](https://huggingface.co/agents-course/notebooks/blob/main/fr/bonus-unit1/bonus-unit1.ipynb).
 
-Ensuite, cliquez sur [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/#fileId=https://huggingface.co/agents-course/notebooks/blob/main/bonus-unit1/bonus-unit1.ipynb) pour pouvoir l'exécuter dans un *Notebook Colab*.
+Ensuite, cliquez sur [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/#fileId=https://huggingface.co/agents-course/notebooks/blob/main/fr/bonus-unit1/bonus-unit1.ipynb) pour pouvoir l'exécuter dans Colab.