{"product_id":"163009","title":"Apprentissage par renforcement pratique avec PyTorch ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYFsBnE9sCnOkhH3n6pgTIn2O8NMU.png?v=1765119328\" 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 par renforcement pratique avec 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\/151359723\/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 Ce livre aborde l'apprentissage par renforcement, des notions de base aux sujets avancés, de manière progressive et systématique.\u003cbr\u003e Il explique les algorithmes basés sur les politiques (REINFORCE, PPO), les techniques acteur-critique (A2C, A3C) et les techniques basées sur les valeurs (DQN, DDQN) avec un équilibre entre théorie et pratique, visualisant les concepts et expliquant les formules étape par étape, tout en fournissant des conseils pour aider à comprendre les connaissances de base. \u003cbr\u003eLes lecteurs peuvent implémenter le code principal de l'algorithme et vérifier immédiatement la bonne réponse, puis apprendre systématiquement l'ensemble du processus en concevant un cadre d'apprentissage par renforcement et en appliquant divers algorithmes basés sur celui-ci.\u003cbr\u003e De plus, après avoir acquis une compréhension approfondie de chaque composant, nous vous guidons dans l'amélioration et l'extension de vos propres algorithmes, en vous fournissant des connaissances pratiques qui peuvent être immédiatement appliquées dans des environnements réels, y compris des techniques de pointe telles que l'apprentissage distribué.\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 Partie 1.\u003cbr\u003e Aperçu de l'apprentissage par renforcement\u003cbr\u003e Chapitre 1.\u003cbr\u003e Aperçu de l'apprentissage par renforcement\u003cbr\u003e 1.1 Qu'est-ce que l'apprentissage par renforcement ?\u003cbr\u003e 1.2 Applications de l'apprentissage par renforcement\u003cbr\u003e 1.3 Les défis de l'apprentissage par renforcement\u003cbr\u003e\u003cbr\u003e Chapitre 2.\u003cbr\u003e algorithme d'apprentissage par renforcement\u003cbr\u003e 2.1 Définition de l'apprentissage par renforcement\u003cbr\u003e 2.2 Types d'algorithmes d'apprentissage par renforcement\u003cbr\u003e 2.3 Phase d'apprentissage de l'apprentissage par renforcement\u003cbr\u003e 2.4 Critères de sélection de l'algorithme\u003cbr\u003e\u003cbr\u003e Partie 2.\u003cbr\u003e Introduction aux cadres d'apprentissage par renforcement\u003cbr\u003e Chapitre 3.\u003cbr\u003e Cadre d'apprentissage par renforcement  \u003cbr\u003e3.1 Structure logique de l'apprentissage par renforcement\u003cbr\u003e 3.2 Structure de classe du cadre d'apprentissage par renforcement\u003cbr\u003e 3.2.1 Classes communes et personnalisées\u003cbr\u003e\u003cbr\u003e Chapitre 4.\u003cbr\u003e Environnement de développement du cadre d'apprentissage par renforcement\u003cbr\u003e 4.1 Configuration de l'environnement de développement\u003cbr\u003e 4.2 Introduction à OpenGym\u003cbr\u003e 4.3 Mise en œuvre du cadre d'apprentissage par renforcement\u003cbr\u003e\u003cbr\u003e Partie 3.\u003cbr\u003e Un aperçu de l'apprentissage par renforcement : méthodes basées sur les politiques\u003cbr\u003e Chapitre 5.\u003cbr\u003e Coureur\u003cbr\u003e 5.1 Composition du coureur\u003cbr\u003e 5.2 Fonctionnement du Runner\u003cbr\u003e 5.3 Définition de la classe Runner\u003cbr\u003e 5.4 Code d'implémentation de la classe Runner\u003cbr\u003e\u003cbr\u003e Chapitre 6.\u003cbr\u003e boucle environnementale\u003cbr\u003e 6.1 Configuration de la boucle environnementale\u003cbr\u003e 6.2 Fonctionnement de la boucle environnementale\u003cbr\u003e 6.3 Définition de la classe EnvironmentLoop\u003cbr\u003e 6.4 Code d'implémentation de la classe EnvironmentLoop\u003cbr\u003e\u003cbr\u003e Chapitre 7.\u003cbr\u003e Dégradé polonais\u003cbr\u003e 7.1 Dérivation des méthodes fondées sur les politiques\u003cbr\u003e 7.2 Méthodes de minimisation de la dispersion\u003cbr\u003e\u003cbr\u003e Chapitre 8. Implémentation de l'algorithme REINFORCE\u003cbr\u003e 8.1 Configuration de l'algorithme REINFORCE\u003cbr\u003e 8.2 Classe de renforcement\u003cbr\u003e 8.3 Classe de réseau de renforcement\u003cbr\u003e 8.4 Classe REINFIRMERCELearner\u003cbr\u003e 8.5 Retour de Monte Carlo\u003cbr\u003e Environnement CartPole-v1 8.6\u003cbr\u003e 8.7 Apprentissage de LunarLanderContinuous-v2\u003cbr\u003e\u003cbr\u003e Partie 4.\u003cbr\u003e Amélioration des performances des méthodes d'apprentissage par renforcement basées sur l'empreinte numérique\u003cbr\u003e Chapitre 9.\u003cbr\u003e agent \u003cbr\u003e9.1 Configuration de l'agent\u003cbr\u003e 9.2 Agent\u003cbr\u003e 9.3 Acteurs\u003cbr\u003e 9.4 Apprenants\u003cbr\u003e Réseau 9.5\u003cbr\u003e\u003cbr\u003e Chapitre 10.\u003cbr\u003e politique\u003cbr\u003e 10.1 Types de polices d'assurance\u003cbr\u003e 10.2 Composition de la politique\u003cbr\u003e 10.3 Classe de police\u003cbr\u003e 10.4 Classe de politique stochastique\u003cbr\u003e 10.5 Classe de politique catégorielle\u003cbr\u003e 10.6 Classe GaussianPolicy\u003cbr\u003e Classe 10.7 MLP\u003cbr\u003e 10.8 Classe CategoricalPolicyMLP\u003cbr\u003e Classe 10.9 GaussianPolicyMLP\u003cbr\u003e\u003cbr\u003e Chapitre 11. Application du référentiel REINFORCE\u003cbr\u003e 11.1 Ajout de nouveaux algorithmes\u003cbr\u003e 11.2 Configuration de la version de base de REINFORCE\u003cbr\u003e 11.3 Classe REFORTEB\u003cbr\u003e 11.4 Classe REINFIRMEBNetwork\u003cbr\u003e 11.5 RENFORCÉ Classe d'apprenants\u003cbr\u003e 11.6 Apprendre CartPole-v1\u003cbr\u003e 11.7 Apprentissage de LunarLanderContinuous-v2\u003cbr\u003e 11.8 Apprendre un nouvel environnement\u003cbr\u003e\u003cbr\u003e Partie 5.\u003cbr\u003e Apprécier l'apprentissage par renforcement avec la méthode acteur-critique\u003cbr\u003e Chapitre 12.\u003cbr\u003e Méthode acteur-critique\u003cbr\u003e 12.1 Fonctions de valeur\u003cbr\u003e 12.2 Méthode acteur-critique\u003cbr\u003e 12,3 A2C\u003cbr\u003e\u003cbr\u003e Chapitre 13.\u003cbr\u003e implémentation de l'algorithme A2C\u003cbr\u003e 13.1 Configuration de l'algorithme A2C\u003cbr\u003e Classe 13.2 A2C\u003cbr\u003e 13.3 Classe A2CNetwork\u003cbr\u003e 13.4 Classe A2C Apprenant\u003cbr\u003e 13,5 retours en n étapes\u003cbr\u003e 13,6 GAE\u003cbr\u003e 13.7 Apprendre CartPole-v1\u003cbr\u003e 13.8 Apprentissage de LunarLanderContinuous-v2\u003cbr\u003e\u003cbr\u003e Chapitre 14.\u003cbr\u003e fonction de valeur  \u003cbr\u003e14.1 Fonctions de valeur\u003cbr\u003e 14.2 Composition de la fonction valeur\u003cbr\u003e 14.3 Classe ValueFunction\u003cbr\u003e 14.4 Classe StateValueFunction\u003cbr\u003e 14.5 Classe ActionValueFunction\u003cbr\u003e 14.6 Classe ValueFunctionMLP\u003cbr\u003e 14.7 Classe QFunctionMLP\u003cbr\u003e 14.8 Classe QFunctionMLPDQN\u003cbr\u003e\u003cbr\u003e Chapitre 15.\u003cbr\u003e ensemble de données\u003cbr\u003e 15.1 Comment structurer un ensemble de données\u003cbr\u003e 15.2 Composition de l'ensemble de données\u003cbr\u003e 15.3 Tampons et schémas de tampon\u003cbr\u003e 15.4 Tampon de déploiement\u003cbr\u003e 15.5 Tampon de relecture\u003cbr\u003e\u003cbr\u003e Chapitre 16.\u003cbr\u003e environnement\u003cbr\u003e 16.1 Fonctionnement de l'environnement\u003cbr\u003e 16.2 Configuration de l'environnement\u003cbr\u003e 16.3 Classe Environnement\u003cbr\u003e 16.4 Classe EnvironmentSpec\u003cbr\u003e Cours OpenGym 16.5\u003cbr\u003e\u003cbr\u003e Partie 6.\u003cbr\u003e Compléter l'apprentissage par renforcement avec une méthode basée sur les valeurs\u003cbr\u003e Chapitre 17.\u003cbr\u003e Méthode fondée sur les valeurs\u003cbr\u003e 17.1 Méthodes fondées sur les valeurs\u003cbr\u003e 17,2 DQN\u003cbr\u003e 17.3 Double DQN\u003cbr\u003e\u003cbr\u003e Chapitre 18.\u003cbr\u003e Méthode fondée sur les valeurs\u003cbr\u003e 18.1 Configuration de l'algorithme DQN\u003cbr\u003e Classe 18.2 DQN\u003cbr\u003e 18.3 Classe DQNNetwork\u003cbr\u003e 18.4 Fonctions utilitaires\u003cbr\u003e 18.5 Classe d'apprenant DQN\u003cbr\u003e 18.6 Apprendre CartPole-v1\u003cbr\u003e\u003cbr\u003e Chapitre 19.\u003cbr\u003e Implémentation de l'algorithme Double DQN\u003cbr\u003e 19.1 Configuration de l'algorithme Double DQN\u003cbr\u003e Classe 19.2 DDQN\u003cbr\u003e 19.3 Classe DDQNNetwork\u003cbr\u003e 19.4 Classe d'apprenant DDQL\u003cbr\u003e 19.5 CartPole d'apprentissage-v1\u003cbr\u003e\u003cbr\u003e Partie 7. \u003cbr\u003eApprentissage par renforcement distribué : améliorer les performances de l’apprentissage par renforcement\u003cbr\u003e Chapitre 20. Algorithme PPO\u003cbr\u003e 20.1 Algorithme PPO\u003cbr\u003e\u003cbr\u003e Chapitre 21. Implémentation de l'algorithme PPO\u003cbr\u003e 21.1 Configuration de l'algorithme PPO\u003cbr\u003e Classe 21.2 PPO\u003cbr\u003e Classe 21.3 PPNetwork\u003cbr\u003e 21.4 Classe PPOLearner\u003cbr\u003e 21.5 CartPole d'apprentissage-v1\u003cbr\u003e 21.6 Apprentissage continu de LunarLander-v2\u003cbr\u003e 21.7 Apprentissage d'AntBulletEnv-v0\u003cbr\u003e\u003cbr\u003e Chapitre 22.\u003cbr\u003e Coureur multi-environnement\u003cbr\u003e 22.1 A2C et A3C\u003cbr\u003e 22.2 Configuration d'un exécuteur multi-environnement\u003cbr\u003e 22.3 Classe MultiEnvRunner\u003cbr\u003e 22.4 Classe MultiEnvAsyncRunner\u003cbr\u003e 22.5 Vérification des performances multi-environnements\u003cbr\u003e 22.6 Présentation de Ray\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\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\u003e◈ Ce que ce livre aborde ◈\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◆ Des notions de base aux sujets avancés de l'apprentissage par renforcement, abordés étape par étape et de manière systématique.\u003cbr\u003e ◆ Fournit un mélange équilibré de théorie et de pratique des algorithmes basés sur les politiques (REINFORCE, PPO), sur l'acteur-critique (A2C, A3C) et sur les valeurs (DQN, DDQN).\u003cbr\u003e ◆ Fournit des conseils pour visualiser les concepts, expliquer les formules étape par étape et comprendre les connaissances de base.  \u003cbr\u003e◆ Une méthode de formation pratique qui vous permet d'implémenter directement le code principal de l'algorithme et de vérifier immédiatement la bonne réponse.\u003cbr\u003e ◆ Concevoir un cadre d'apprentissage par renforcement et implémenter un algorithme d'apprentissage par renforcement basé sur celui-ci.\u003cbr\u003e ◆ Il fournit une compréhension systématique des principaux composants et du processus global de l'apprentissage par renforcement, et aide les lecteurs à améliorer et à étendre l'algorithme par eux-mêmes.\u003cbr\u003e ◆ Fournit des connaissances pratiques qui peuvent être appliquées directement à des environnements réels, y compris des techniques de pointe telles que l'apprentissage distribué.\u003cbr\u003e\u003cbr\u003e \u003cb\u003e◈ Public cible de ce livre ◈\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◆ Lecteurs souhaitant apprendre systématiquement l'apprentissage par renforcement profond, de la théorie à la pratique\u003cbr\u003e ◆ Lecteurs qui souhaitent comprendre la structure du cadre d'apprentissage par renforcement et le mettre en œuvre eux-mêmes\u003cbr\u003e ◆ Lecteurs souhaitant implémenter différents algorithmes, comparer et analyser leurs performances\u003cbr\u003e Les développeurs et les chercheurs qui souhaitent appliquer l'apprentissage par renforcement à des tâches du monde réel  \u003cbr\u003e◆ Étudiants de premier et deuxième cycles en sciences et ingénierie, demandeurs d'emploi dans le domaine de l'IA, développeurs d'apprentissage automatique, chercheurs en R\u0026amp;D en IA, etc.\u003cbr\u003e\u003cbr\u003e \u003cb\u003e◈ Note de l'auteur ◈\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Le succès éclatant des modèles de langage géants signale un bond en avant dans la technologie de l'intelligence artificielle vers l'intelligence artificielle générale (IAG).\u003cbr\u003e Bientôt, nous partagerons notre quotidien avec des agents intelligents.\u003cbr\u003e Ces agents se chargeront des tâches routinières que nous trouvons fastidieuses, répondront à nos états émotionnels, nous offriront des conseils pour nous aider à prendre des décisions rationnelles dans des situations complexes, et suggéreront parfois même de nouvelles opportunités.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e L'une des capacités les plus importantes des agents intelligents est leur aptitude à résoudre des problèmes de prise de décision complexes à long terme et liés à des relations de cause à effet.\u003cbr\u003e L'apprentissage par renforcement accélère l'intelligence grâce à un apprentissage autonome, en prenant en compte la manière dont les actions actuelles affecteront les décisions futures. \u003cbr\u003eLes bras robotisés apprennent à saisir et à manipuler des objets par essais et erreurs, et AlphaZero acquiert des compétences au jeu de go grâce à une pratique répétée en auto-apprentissage, sans enregistrement humain.\u003cbr\u003e Il s'autorégule entre « l'exploitation », qui répète les meilleures actions, et « l'exploration », qui tente de nouvelles actions pour découvrir de meilleures stratégies ; il planifie et se modifie également pour atteindre des objectifs à long terme, comme gagner une partie ou faire accomplir une mission à un robot.\u003cbr\u003e La capacité d'apprendre de manière autonome, en tenant compte de la causalité de l'apprentissage par renforcement, est une capacité clé que les agents intelligents doivent posséder.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e On me demande souvent : « Comment devrais-je commencer à étudier l’apprentissage par renforcement ? » Mais il n’a jamais été facile de recommander des supports d’apprentissage appropriés. \u003cbr\u003eLes ouvrages classiques qui mettent l'accent de manière excessive sur la théorie sont faciles à abandonner pour les débutants et ne couvrent pas en profondeur le contenu de l'apprentissage par renforcement profond, pourtant essentiel à l'application pratique.\u003cbr\u003e En revanche, les ouvrages d'introduction destinés au public national sont rares et les explications sont simples.\u003cbr\u003e Si je devais un jour écrire un livre sur l'apprentissage par renforcement, je me concentrerais sur l'apprentissage par renforcement profond, avec des théories claires et des exercices pratiques permettant de les vérifier.\u003cbr\u003e Ce n'est qu'après plusieurs années que j'ai pu écrire ce livre.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e Ce livre est à la fois un ouvrage théorique et un ouvrage pratique qui équilibre la théorie et la pratique de l'apprentissage par renforcement.\u003cbr\u003e Plutôt que de simplement énumérer les algorithmes, nous les avons organisés de manière séquentielle, en suivant le processus par lequel chaque technique s'est développée et étendue.\u003cbr\u003e De plus, il est conçu pour mettre en œuvre des algorithmes d'apprentissage par renforcement basés sur un cadre prédéfini, afin que les concepts théoriques puissent être clairement compris tout en étant immédiatement appliqués à la pratique. \u003cbr\u003eJ’espère que ce livre vous permettra d’acquérir une compréhension approfondie des principes et des pratiques de l’apprentissage par renforcement et de progresser dans l’ère des agents intelligents. \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 28 août 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 764 pages | 1 396 g | 188 × 235 × 36 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 9791194409908\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 1194409903 \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":43891318489130,"sku":"163009","price":71.52,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/68c6ea0fd05e3ebe2ae6f0e11248bfe9.jpg?v=1765322310","url":"https:\/\/librairie.coreenne.fr\/products\/163009","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}