{"product_id":"138401","title":"Apprentissage en profondeur par l'auto-apprentissage ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/uOonoiy99XKFLhgUvoC2v0wy6lL.png?v=1765062881\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Apprentissage en profondeur par l'auto-apprentissage \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/146006911\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003e« Si vous apprenez le deep learning et que vous vous demandez où vous pouvez l’appliquer ? »\u003cbr\u003e Amusez-vous à développer vos compétences en implémentant vous-même divers modèles d'apprentissage profond, tels que la classification de photos de chiots, l'analyse du sentiment des textes de critiques de films et la création d'un modèle GPT !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Des premiers modèles de vision par ordinateur représentant le domaine de l'apprentissage profond aux modèles de pointe comme les modèles de langage à grande échelle tels que GPT, Llama et Gemma, découvrez l'évolution fascinante de l'intelligence artificielle et des dernières technologies en mettant en œuvre divers modèles d'apprentissage profond.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre. \u003cbr\u003e\u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eChapitre 01.\u003cbr\u003e Classification des images de produits de mode à l'aide de réseaux neuronaux convolutifs (CNN)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01-1.\u003cbr\u003e Mise en place d'un environnement de développement d'apprentissage profond\u003cbr\u003e Préparation à l'apprentissage profond, Google Colab\u003cbr\u003e Composition de l'écran de __Colab\u003cbr\u003e Préparation du laboratoire avec Colab\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 01-2.\u003cbr\u003e Comprendre les modèles de réseaux neuronaux convolutifs (CNN)\u003cbr\u003e Le premier modèle CNN - LeNet\u003cbr\u003e Couche de convolution - Conv2D\u003cbr\u003e Couche de mise en commun et couche dense - AveragePooling2D, Dense\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 01-3.\u003cbr\u003e Classification des images de produits de mode\u003cbr\u003e __Construction du modèle LeNet\u003cbr\u003e Entraînement du modèle __LeNet\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 2. Classification de photos de chiens et de chats à l'aide d'un modèle CNN pré-entraîné\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 02-1.\u003cbr\u003e Construction d'un modèle CNN de classification d'images\u003cbr\u003e Le premier modèle CNN à remporter le concours ImageNet - AlexNet\u003cbr\u003e Modèle CNN pré-entraîné - VGGNet\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 02-2.\u003cbr\u003e Catégoriser les photos de chiens et de chats\u003cbr\u003e Chargement du modèle VGGNet \u003cbr\u003e__Catégoriser les photos de chiens et de chats\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 02-3.\u003cbr\u003e Amélioration des performances des modèles de classification photographique des chiens et des chats\u003cbr\u003e Modèle CNN améliorant les performances d'entraînement - ResNet\u003cbr\u003e __Construction d'un modèle ResNet\u003cbr\u003e __Catégoriser les photos de chiens et de chats\u003cbr\u003e __[En savoir plus] GoogleNet\u003cbr\u003e __[Mini-projet] Classification des photos de chiens et de chats avec GoogleNet\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 03.\u003cbr\u003e Classification d'images avec des modèles CNN avancés et apprentissage par transfert\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 03-1.\u003cbr\u003e Optimisation de l'efficacité des modèles de classification d'images\u003cbr\u003e Modèle d'extension de ResNet - DenseNet\u003cbr\u003e Modèle d'environnement mobile (léger) - MobileNet\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 03-2.\u003cbr\u003e Optimisation des performances des modèles de classification d'images\u003cbr\u003e Modèle le plus performant - EfficientNet\u003cbr\u003e __Construction d'un modèle EfficientNet\u003cbr\u003e Classification des photos de chiens avec le modèle EfficientNet\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 03-3.\u003cbr\u003e Classification d'images de pistaches par apprentissage par transfert \u003cbr\u003eClassification de photos de chiens avec TensorFlow Hub\u003cbr\u003e __Catégoriser les photos de chiens avec des expressions faciales enlacées\u003cbr\u003e Classification des variétés de pistaches par apprentissage par transfert\u003cbr\u003e __[Mini-projet] Classification des variétés de pistaches avec des modèles Kaggle\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 04.\u003cbr\u003e Classification des sentiments dans les textes de critiques de films à l'aide du modèle d'encodeur Transformer\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 04-1.\u003cbr\u003e Comprendre le modèle d'encodeur transformateur\u003cbr\u003e Mécanisme d'attention\u003cbr\u003e __Encodage positionnel et normalisation des couches\u003cbr\u003e __Création d'un modèle d'encodeur transformateur\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 04-2.\u003cbr\u003e Classification des sentiments dans les textes de critiques de films à l'aide de l'apprentissage par transfert\u003cbr\u003e Modèle de compréhension du langage basé sur un encodeur de transformateurs - BERT\u003cbr\u003e Classification du sentiment dans les critiques de films avec KerasNLP\u003cbr\u003e __Classification des émotions dans les critiques de films avec Hugging Face\u003cbr\u003e __[En savoir plus] Analyse des sentiments avec des modèles affinés\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e \u003cbr\u003e04-3. Classification des sentiments dans les textes de critiques de films à l'aide d'un modèle de suivi BERT\u003cbr\u003e Modèle d'amélioration des performances de __BERT - RoBERTa\u003cbr\u003e Le modèle léger de __BERT - DistilBERT\u003cbr\u003e __[Mini-projet] Création d'un modèle DistilBERT avec KerasNLP\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 05.\u003cbr\u003e Générer du texte avec le modèle de décodeur Transformer\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 05-1. Génération de texte avec le modèle GPT-2\u003cbr\u003e __Attention masquée à plusieurs têtes\u003cbr\u003e __Construction d'un module décodeur de transformateur\u003cbr\u003e Générer des textes variés avec le modèle GPT-2\u003cbr\u003e __Créer différents textes avec Hugging Face\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 05-2.\u003cbr\u003e Générer du texte avec le modèle Llama\u003cbr\u003e __Comprendre le modèle du lama\u003cbr\u003e Construction du modèle Llama-2 avec KerasNLP\u003cbr\u003e Générer du texte avec le modèle __Llama-2\u003cbr\u003e Générer du texte avec le modèle __Llama-3\u003cbr\u003e __[En savoir plus] Llama-3.1 et Llama-3.2\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 05-3.\u003cbr\u003e Générer du texte avec le modèle Gemma\u003cbr\u003e __Comprendre le modèle Gemma\u003cbr\u003e Construction du modèle Gemma avec KerasNLP \u003cbr\u003eGénérer du texte avec le modèle __Gemma\u003cbr\u003e Générer du texte avec le modèle Gemma-2\u003cbr\u003e __[Mini-projet] Création d'un modèle Llama-3 avec KerasNLP\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 06.\u003cbr\u003e Résumé de texte avec un modèle encodeur-décodeur Transformer\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 06-1. Résumer un texte avec le modèle BART\u003cbr\u003e __Construction d'un modèle encodeur-décodeur de transformateur\u003cbr\u003e Résumer un texte avec le modèle BART\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 06-2.\u003cbr\u003e Résumé de texte avec le modèle T5\u003cbr\u003e Comprendre le modèle __T5\u003cbr\u003e Résumer un texte avec le modèle __T5\u003cbr\u003e Résumé de texte avec le modèle __T5-1.1\u003cbr\u003e __[Mini-projet] Création d'une maquette T5-1.1\u003cbr\u003e Points clés organisés par __mots-clés\u003cbr\u003e\u003cbr\u003e 06-3.\u003cbr\u003e Épilogue\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate5311\/MidCate006\/531058972.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eUn livre destiné aux étudiants autodidactes qui souhaitent développer des compétences d'apprentissage approfondies par la pratique plutôt que par la grammaire.\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ● Le premier modèle de réseau neuronal convolutif (CNN) - classification d'images de produits de mode \u003cbr\u003eModèle CNN pré-entraîné - Classification de photos de chiens et de chats\u003cbr\u003e Modèles CNN avancés et apprentissage par transfert - Optimisation de l'efficacité des modèles et TensorFlow Hub et HuggingFace\u003cbr\u003e Modèle d'encodeur Transformer - Classification des sentiments dans les critiques de films\u003cbr\u003e ● Modèle de décodeur Transformer - Génération de texte avec les modèles GPT, Llama et Gemma\u003cbr\u003e ● Modèle encodeur-décodeur Transformer - Résumé de texte avec les modèles BART et T5\u003cbr\u003e\u003cbr\u003e La collection « Étudier en faisant soi-même » a été conçue pour les lecteurs qui souhaitent appliquer leurs connaissances acquises à des situations concrètes.\u003cbr\u003e L'objectif principal de cette série est d'aller au-delà de la théorie et de l'apprentissage de la grammaire et de réaliser des projets concrètement utiles dans la vie quotidienne et au travail.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e En allant au-delà de la simple mise en œuvre d'un modèle unique et du suivi de son évolution, vous développerez les compétences d'adaptabilité et de survie nécessaires pour faire face aux nouvelles technologies d'apprentissage profond.\u003cbr\u003e \u003cbr\u003e\u003cb\u003e● À qui s'adresse ce livre ?\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Débutants ayant terminé le livre d'introduction à l'apprentissage profond et souhaitant acquérir une expérience de mise en œuvre\u003cbr\u003e - Ceux qui souhaitent passer à l'étape suivante après avoir étudié 『Machine Learning + Deep Learning (Revised Edition)』\u003cbr\u003e — Ceux qui comprennent les connaissances de base mais se demandent : « Que puis-je faire avec un modèle d'apprentissage profond ? »\u003cbr\u003e Apprenants en apprentissage profond intéressés par les technologies de pointe\u003cbr\u003e - Toute personne intéressée par les dernières technologies en vision par ordinateur et en modélisation du langage à grande échelle\u003cbr\u003e - Ceux qui souhaitent utiliser les modèles d'apprentissage profond les plus récents tels que GPT, Llama et Gemma\u003cbr\u003e\u003cbr\u003e \u003cb\u003e● Caractéristiques du livre\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Premièrement, un guide convivial qui vous permet d'apprendre par vous-même jusqu'à la fin.\u003cbr\u003e\u003cbr\u003e Ne vous inquiétez pas si vous rencontrez des difficultés pendant vos exercices.\u003cbr\u003e Des éléments d'apprentissage systématiques guident les lecteurs afin qu'ils puissent suivre et comprendre le contenu par eux-mêmes. \u003cbr\u003eLes lecteurs de Honman ont accès à trois modules d'apprentissage : « Vérification grammaticale » qui aborde les concepts nécessaires avant d'écrire du code, « Apprendre en suivant » qui inclut des résultats d'exécution et des explications de code, et « Mini-projet » qui vous permet d'appliquer vous-même ce que vous avez appris.\u003cbr\u003e\u003cbr\u003e Deux, parfois seuls, parfois ensemble ! Soutien aux cours magistraux et aux sites d'apprentissage sur YouTube, créés directement par leurs auteurs.\u003cbr\u003e http:\/\/hongong.hanbit.co.kr\u003cbr\u003e Si vous avez des questions pendant votre lecture, n'hésitez pas à les poser.\u003cbr\u003e Nous gérons un forum de discussion ouvert sur KakaoTalk et un site d'apprentissage de questions-réponses où l'auteur répond personnellement aux questions.\u003cbr\u003e Vous pouvez également télécharger des exemples de fichiers et visionner des cours vidéo à tout moment sur la plateforme Honman Readers Community.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e 3. AUCUNE INSTALLATION ! Un cours pratique d'apprentissage approfondi qui se déroule en ligne sans les tracas de l'installation.\u003cbr\u003e Tous les exemples du livre « Deep Learning : Learn by Doing It Yourself » sont mis en pratique dans Google Colab, un environnement en ligne. \u003cbr\u003eBien qu'il soit préférable de tester le code vous-même dans Colab, tout le code présenté dans le livre est disponible sur GitHub.\u003cbr\u003e Vérifiez les résultats d'exécution avec le notebook Jupyter sur GitHub.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003eUn mot d'un lecteur bêta à propos de la série « Étudier en faisant soi-même »\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Si quelqu'un hésite encore à se lancer à cause de la question « Suis-je vraiment capable d'y arriver ? », faites le premier pas avec ce livre.\u003cbr\u003e - Kim Jae-eun, chef de Beta\u003cbr\u003e « L’attention méticuleuse que l’auteur porte aux détails dans la conception du livre, afin de convenir à tous, des débutants aux apprenants de niveau intermédiaire, est remarquable. »\u003cbr\u003e « Ce livre offre une expérience d'apprentissage facile et agréable à suivre. » – Namju Kwak, bêta-lectrice \u003cbr\u003e« Pour ceux qui n'ont appris que la grammaire, la méthode d'apprentissage par la création peut paraître inhabituelle, mais j'ai pu me l'approprier pleinement en créant et en organisant moi-même le code. » – Lee Ha-rang, bêta-lecteur\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCours magistraux de l'auteur sur YouTube + chat ouvert disponible\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Si vous avez des questions pendant votre lecture, n'hésitez pas à les poser.\u003cbr\u003e Nous gérons un forum de discussion ouvert sur KakaoTalk et un site d'apprentissage de questions-réponses où l'auteur répond personnellement aux questions.\u003cbr\u003e Vous pouvez également télécharger des exemples de fichiers et visionner des cours vidéo à tout moment sur le site d'apprentissage de Hanbit Media. \u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 12 mai 2025\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 444 pages | 898 g | 188 × 257 × 21 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791169213714\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1169213715 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893236531242,"sku":"138401","price":39.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/80e3f73efd329edb4695ff6c2432e8ba.jpg?v=1765393263","url":"https:\/\/librairie.coreenne.fr\/products\/138401","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}