{"product_id":"139080","title":"Traitement automatique du langage naturel et vision par ordinateur : apprentissage profond avec les transformateurs PyTorch ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPBpXy9nzOVPs9V521LsJBQ7g3tZ.png?v=1765072679\" 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 Traitement automatique du langage naturel et vision par ordinateur : apprentissage profond avec les transformateurs PyTorch \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\/122753048\/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 Les Transformers sont un modèle aux performances exceptionnelles dans le domaine de l'apprentissage profond et constituent une technologie fondamentale dans le domaine de l'intelligence artificielle moderne. \u003cbr\u003eLa maîtrise des technologies Transformer et Vision Transformer vous conférera des capacités différenciées et vous permettra de résoudre des problèmes complexes.\u003cbr\u003e Ce livre couvre un large éventail d'informations nécessaires à la construction de projets (services) d'apprentissage profond, depuis les pratiques de base jusqu'au déploiement, dans les domaines du traitement automatique du langage naturel et de la vision par ordinateur.\u003cbr\u003e De plus, nous étudierons et mettrons en pratique des modèles tels que la théorie du transformateur et celle du transformateur de vision.\u003cbr\u003e Cet ouvrage offre une couverture complète des dernières tendances en matière de traitement automatique du langage naturel et de vision par ordinateur, ainsi que d'apprentissage profond, et est recommandé à ceux qui cherchent à construire des modèles puissants grâce à des exemples pratiques.\u003cbr\u003e\n\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\u003ePartie 1 : Premiers pas avec PyTorch\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 1 : Intelligence artificielle et méthodologie\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Qu'est-ce que l'intelligence artificielle ?\u003cbr\u003e __Histoire de l'intelligence artificielle\u003cbr\u003e Domaines d'application de l'IA\u003cbr\u003e système d'apprentissage automatique\u003cbr\u003e Apprentissage supervisé\u003cbr\u003e Apprentissage non supervisé\u003cbr\u003e Apprentissage semi-supervisé  \u003cbr\u003eApprentissage par renforcement\u003cbr\u003e Architecture d'apprentissage automatique\u003cbr\u003e Préparation des données\u003cbr\u003e __modélisation\u003cbr\u003e Évaluation du modèle\u003cbr\u003e Déploiement du modèle\u003cbr\u003e MLOps\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 2 : Installation de PyTorch\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Qu'est-ce que PyTorch ?\u003cbr\u003e Fonctionnalités de PyTorch\u003cbr\u003e Installation de PyTorch\u003cbr\u003e Installation de PyTorch sur le processeur\u003cbr\u003e Installation de PyTorch sur GPU\u003cbr\u003e __Google Colaboratoire\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 3 : Notions de base de PyTorch\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e tenseur\u003cbr\u003e __Créer un tenseur\u003cbr\u003e Propriétés tensorielles\u003cbr\u003e transformation __dimensionnelle\u003cbr\u003e __Paramètres de type de données\u003cbr\u003e __Paramètres de l'appareil\u003cbr\u003e __Conversion de l'appareil\u003cbr\u003e __Conversion tensorielle des tableaux NumPy\u003cbr\u003e __Conversion de tenseur en tableau NumPy\u003cbr\u003e Hypothèse\u003cbr\u003e __Hypothèse en apprentissage automatique\u003cbr\u003e Exemples de tests d'hypothèses statistiques\u003cbr\u003e fonction de perte\u003cbr\u003e Erreur quadratique\u003cbr\u003e __somme des erreurs au carré\u003cbr\u003e __erreur quadratique moyenne\u003cbr\u003e __Entropie croisée\u003cbr\u003e Optimisation\u003cbr\u003e Descente en gradient\u003cbr\u003e __taux d'apprentissage\u003cbr\u003e Problème d'optimisation\u003cbr\u003e Régression linéaire simple : NumPy\u003cbr\u003e Régression linéaire simple : PyTorch\u003cbr\u003e Ensembles de données et chargeurs de données\u003cbr\u003e __ensemble de données\u003cbr\u003e Chargeur de données\u003cbr\u003e Régression linéaire multiple\u003cbr\u003e Séparation modèle\/ensemble de données\u003cbr\u003e __Classe de module\u003cbr\u003e Régression non linéaire\u003cbr\u003e Évaluation du modèle\u003cbr\u003e __Séparation des ensembles de données\u003cbr\u003e Sauvegarde et chargement des modèles\u003cbr\u003e __Enregistrer\/Charger le modèle entier \u003cbr\u003e__Sauvegarder\/Charger l'état du modèle\u003cbr\u003e __Sauvegarder\/Charger un point de contrôle\u003cbr\u003e Fonction d'activation\u003cbr\u003e classification binaire\u003cbr\u003e Fonction __sigmoïde\u003cbr\u003e __Entropie croisée binaire\u003cbr\u003e Classification binaire : PyTorch\u003cbr\u003e Fonction d'activation non linéaire\u003cbr\u003e Propagation directe et rétropropagation\u003cbr\u003e __Calcul de propagation directe\u003cbr\u003e __Calcul d'erreur\u003cbr\u003e __Calcul de rétropropagation\u003cbr\u003e __Comparer les résultats de la mise à jour\u003cbr\u003e perceptron\u003cbr\u003e perceptron monocouche\u003cbr\u003e __Perceptron multicouche\u003cbr\u003e Exercices pratiques sur le modèle du perceptron\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 4 : PyTorch avancé\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Sur-ajustement et sous-ajustement\u003cbr\u003e __Résoudre les problèmes de surapprentissage et de sous-apprentissage\u003cbr\u003e Normalisation par lots\u003cbr\u003e __Type de normalisation\u003cbr\u003e Solution de normalisation par lots\u003cbr\u003e Initialisation du poids\u003cbr\u003e Initialisation constante\u003cbr\u003e Initialisation aléatoire\u003cbr\u003e Initialisation de Javier et Glorot\u003cbr\u003e __Réinitialisation de Kaiming et Heo\u003cbr\u003e Initialisation orthogonale\u003cbr\u003e Exercices d'initialisation du poids\u003cbr\u003e Régularisation\u003cbr\u003e Régularisation __L1\u003cbr\u003e Régularisation __L2\u003cbr\u003e __dégradation du poids\u003cbr\u003e __Élan\u003cbr\u003e Filet élastique\u003cbr\u003e __Abandonner\u003cbr\u003e Découpage par dégradé\u003cbr\u003e Augmentation et transformation des données\u003cbr\u003e __données textuelles\u003cbr\u003e __données d'image\u003cbr\u003e Modèle pré-entraîné\u003cbr\u003e __colonne vertébrale\u003cbr\u003e __Transfert d'apprentissage\u003cbr\u003e Extraction et réglage fin des caractéristiques\u003cbr\u003e \u003cbr\u003e\u003cb\u003ePartie 2 Traitement automatique du langage naturel\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 5 : Tokenisation\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e tokenisation des mots et des caractères\u003cbr\u003e tokenisation de mots\u003cbr\u003e __Tokenisation des caractères\u003cbr\u003e tokenisation morphémique\u003cbr\u003e Dictionnaire des morphèmes\u003cbr\u003e __KoNLPy\u003cbr\u003e __NLTK\u003cbr\u003e __spaCy\u003cbr\u003e tokenisation de sous-mots\u003cbr\u003e Encodage par paire d'octets\u003cbr\u003e __Morceau de mots\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 6 : Intégration\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e modèle de langage\u003cbr\u003e Modèle de langage autorégressif\u003cbr\u003e Modèle de langage statistique\u003cbr\u003e N-gramme\u003cbr\u003e TF-IDF\u003cbr\u003e Fréquence des mots\u003cbr\u003e Fréquence des documents\u003cbr\u003e Fréquence des documents inversés\u003cbr\u003e __TF-IDF\u003cbr\u003e Word2Vec\u003cbr\u003e Vectorisation des mots\u003cbr\u003e __CBoW\u003cbr\u003e __Skip-gram\u003cbr\u003e Softmax hiérarchique\u003cbr\u003e __échantillonnage négatif\u003cbr\u003e Exercice modèle : Skip-gram\u003cbr\u003e Exercice pratique sur modèle : Gensim\u003cbr\u003e fastText\u003cbr\u003e __Exercice modèle\u003cbr\u003e réseaux neuronaux récurrents\u003cbr\u003e Réseau neuronal récurrent\u003cbr\u003e mémoire à long et à court terme\u003cbr\u003e __Exercice modèle\u003cbr\u003e réseau neuronal convolutif\u003cbr\u003e __Couche de convolution\u003cbr\u003e Carte d'activation\u003cbr\u003e __Mise en commun\u003cbr\u003e __Couche entièrement connectée\u003cbr\u003e __Exercice modèle\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 7 : Transformers\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Transformateur\u003cbr\u003e __Intégration des données d'entrée et encodage positionnel\u003cbr\u003e Jeton spécial\u003cbr\u003e Encodeur de transformateur\u003cbr\u003e __Décodeur de transformateur\u003cbr\u003e __Exercice modèle\u003cbr\u003e GPT\u003cbr\u003e __GPT-1\u003cbr\u003e __GPT-2\u003cbr\u003e __GPT-3\u003cbr\u003e __GPT 3.5\u003cbr\u003e __GPT-4\u003cbr\u003e __Exercice modèle\u003cbr\u003e BERT\u003cbr\u003e Méthode de pré-apprentissage\u003cbr\u003e __Exercice modèle\u003cbr\u003e BART\u003cbr\u003e Méthode de pré-apprentissage \u003cbr\u003eComment affiner\u003cbr\u003e __Exercice modèle\u003cbr\u003e ÉLECTRA\u003cbr\u003e Méthode de pré-apprentissage\u003cbr\u003e __Exercice modèle\u003cbr\u003e T5\u003cbr\u003e __Exercice modèle\u003cbr\u003e\u003cbr\u003e \u003cb\u003ePartie 3 Vision par ordinateur\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 8 : Classification des images\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e AlexNet\u003cbr\u003e __LeNet-5 et AlexNet\u003cbr\u003e Formation de modèles\u003cbr\u003e Inférence de modèle\u003cbr\u003e VGG\u003cbr\u003e __AlexNet et VGG-16\u003cbr\u003e __Structure du modèle et visualisation des données\u003cbr\u003e __Mise au point et formation du modèle\u003cbr\u003e ResNet\u003cbr\u003e Fonctionnalités de ResNet\u003cbr\u003e Implémentation du modèle\u003cbr\u003e Grad-CAM\u003cbr\u003e Carte d'activation des classes\u003cbr\u003e __Grad-CAM\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 9 : Détection d'objets\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Faster R-CNN\u003cbr\u003e __R-CNN\u003cbr\u003e __Fast R-CNN\u003cbr\u003e __R-CNN plus rapide\u003cbr\u003e Processus d'apprentissage par modélisation\u003cbr\u003e __Exercice modèle\u003cbr\u003e SSD\u003cbr\u003e __Cartes de fonctionnalités multi-échelles\u003cbr\u003e __Boîte de base\u003cbr\u003e Processus d'apprentissage par modélisation\u003cbr\u003e __Exercice modèle\u003cbr\u003e FCN\u003cbr\u003e __Suréchantillonnage\u003cbr\u003e __structure du modèle\u003cbr\u003e __Exercice modèle\u003cbr\u003e Masque R-CNN\u003cbr\u003e __Caractéristiques du réseau pyramidal\u003cbr\u003e __Trier les domaines d'intérêt\u003cbr\u003e __Classificateur de masques\u003cbr\u003e __Exercice modèle\u003cbr\u003e YOLO\u003cbr\u003e __YOLOv1\u003cbr\u003e __YOLOv2\u003cbr\u003e __YOLOv3\u003cbr\u003e __YOLOv4 \/ YOLOv5\u003cbr\u003e __YOLOv6 \/ YOLOv7\u003cbr\u003e Exercice pratique modèle : YOLOv8\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 10 : Transformateur de vision\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ViT\u003cbr\u003e Comparaison des modèles convolutionnels et ViT\u003cbr\u003e Le biais inductif de __ViT\u003cbr\u003e Modèle __ViT\u003cbr\u003e Intégration de patchs\u003cbr\u003e __Couche d'encodage\u003cbr\u003e __Exercice modèle\u003cbr\u003e Transformateur Swin \u003cbr\u003eDifférence entre les transformateurs ViT et Swin\u003cbr\u003e Structure du modèle de transformateur __Swin\u003cbr\u003e __Exercice modèle\u003cbr\u003e CvT\u003cbr\u003e __Intégration de jetons convolutionnels\u003cbr\u003e Intégration convolutionnelle pour l'attention\u003cbr\u003e __Exercice modèle\u003cbr\u003e\u003cbr\u003e \u003cb\u003ePartie 4 Modélisation des services\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 11 : Déploiement du modèle\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Allègement du modèle\u003cbr\u003e __quantification\u003cbr\u003e __Distillation des connaissances\u003cbr\u003e Décomposition tensorielle\u003cbr\u003e __ONNX\u003cbr\u003e Modèle servant\u003cbr\u003e Framework Web de service de modèles\u003cbr\u003e __Facteur\u003cbr\u003e Déploiement Docker\u003cbr\u003e __Qu'est-ce que Docker ?\u003cbr\u003e __Construire et déployer\u003cbr\u003e Application de démonstration\u003cbr\u003e __Ruisselet\u003cbr\u003e Distribution de l'application\u003cbr\u003e __Intégration de modèles PyTorch\u003cbr\u003e\u003cbr\u003e Annexe A : Éclairage PyTorch\u003cbr\u003e Formation de modèles\u003cbr\u003e __Cours de formateur\u003cbr\u003e Annexe B : Visage étreint\u003cbr\u003e Classe __PreTrainedConfig\u003cbr\u003e Classe __PreTrainedModel\u003cbr\u003e Classe __PreTrainedTokenizer\u003cbr\u003e Classe __PreTrainedFeatureExtractor\u003cbr\u003e Classe __PreTrainedImageProcessor\u003cbr\u003e __Classe Auto\u003cbr\u003e __Cours de formateur\u003cbr\u003e Annexe C : Modèle d’image PyTorch\u003cbr\u003e __Créer un modèle\u003cbr\u003e Modèle pré-entraîné\u003cbr\u003e __Réglage fin\u003cbr\u003e Annexe D : Compilateur PyTorch\u003cbr\u003e Annexe E : Hors mémoire\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\/TopCate4308\/MidCate009\/430780998(1).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  \u003cdiv\u003e\n\u003cb\u003e★ Ce que ce livre aborde ★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◎ Compréhension de l'apprentissage automatique et de l'apprentissage profond, et pratique approfondie de l'utilisation de PyTorch\u003cbr\u003e ◎ Comprendre la tokenisation des données textuelles et s'exercer à l'intégration de texte\u003cbr\u003e ◎ Comprendre le modèle Transformer en utilisant l'auto-attention et en pratiquant le modèle de langage basé sur Transformer\u003cbr\u003e ◎ Comprendre les modèles de classification d'images et vérifier et visualiser leurs principes de fonctionnement internes\u003cbr\u003e ◎ Comprendre les modèles de détection d'objets tels que la détection de boîtes englobantes, la segmentation sémantique et la segmentation d'objets\u003cbr\u003e ◎ Comprendre le réseau pyramidal de caractéristiques et l'algorithme d'alignement de la région d'intérêt\u003cbr\u003e ◎ Comprendre et mettre en pratique le modèle de transformateur de vision qui applique la structure du transformateur au domaine de la vision par ordinateur.\u003cbr\u003e ◎ Service d'API en ligne utilisant des frameworks web et Docker\u003cbr\u003e ◎ Création d'une application de démonstration d'apprentissage profond via une application web\u003cbr\u003e ◎ Pratiquez avec divers outils et techniques de gestion, notamment l'allègement, PyTorch Lightning, Hugging Face et PyTorch Compiler. \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 de publication :\u003c\/strong\u003e 19 octobre 2023\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 804 pages | 188 × 240 × 33 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 9791158394400 \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":43893339389994,"sku":"139080","price":54.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/b9a5bda6b94dd8e36f7057a092b9dba7.jpg?v=1765397200","url":"https:\/\/librairie.coreenne.fr\/products\/139080","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}