ia-z / ia-z

Dépôt pour le cours d'IA par la communauté @DefendIntelligence.

IA-Z

Cours & ressources pour l'IA.

---

Presentation

IA-Z est une plateforme en ligne offrant un enseignement complet en data science. Elle est destinée à un public ayant un bagage en mathématiques, python et sciences informatiques de niveau supérieur ou égal au BAC.

IA-Z est conçue pour fournir des enseignements destinés à un public déjà sensibilisé et dans l’optique de fournir la meilleure qualité de support pédagogique et didactique.

Perimètre

• La plateforme web a pour objectif de former et sensibiliser à la data science.
• Les enseignements apportés sont segmentés en notions, elles-mêmes découpées en cours.
• Les cours ont pour but de donner une information claire, concise au possible et illustrée par des exemples.
• Possibilité d’ajouter des ressources externes à la fin de chaque cours pour approfondir les cours disponibles sur la plateforme.
• La plateforme web recense tous les éléments cités au-dessus.
• La plateforme web a pour unique but d’être éducative. Elle ne véhicule donc ni promotion, ni opinions.

---

Organisation

• Nouveau membre du projet IA-Z ?

  • Accèdez au document d'onboarding : ia-z/organisation/onboarding.md
  • Accèdez au document de bonnes pratiques git : ia-z/organisation/workflow_git.md
  • Accèdez au template d'écriture de cours : ia-z/organisation/template_chapitre.md

• Pour suggérer un nouveau cours ou pour toutes suggestions, réagissez à ce fil de discussion pour nous en faire part : https://github.com/ia-z/ia-z/discussions/categories/ideas ou créez une issue détaillée avec le bon tag associé.

• Si un cours contient une erreur ou vous rencontrez un problème technique, ouvrez une issue dédiée puis soumettez une PR directement.

---

Communauté

• Nous communiquons sur le serveur de la communauté . Commencez par accepter le réglement et vous présenter dans le channel #présentation pour accéder aux autres salons.

---

Liens

Site IA-Z

---

Contributeurs

Merci à nos 10 contributeurs d'avoir apporté leur pierre à l'édifice !

  Sylvain-BROCAS   MohamedBsh   Otsutsukii   LPauzies   adriengoleb   EHadoux   SerenaTetart   TheBats   aminenaim   MHaurel

Réalisé par la communauté de Defend Intelligence

  Anis Ayari

Vous pouvez aussi apporter votre aide en rejoignant le discord ou en proposant directement des modifications sur github.

ia-z's Issues

[Ecriture] Chapitre 9 - Introduction clustering avec KMeans

Ce chapitre sera le premier chapitre parlant du clustering. La méthode KMeans y est présentée en tant qu'exemple.

[Ecriture] Chapitre 10: Clustering

[Ecriture] Chapitre III - NLP & Deep Learning

Objectifs pédagogiques des modules

• Module 1 : Apporter les compétences et les connaissances de base à l'élève pour qu'il puisse mener seul un projet simple (type kaggle)

[Écriture] Bandits

Plan Times Series

Plan proposé : @tanguyesteoule (Discord : PhPMan)

Introduction aux séries temporelles
(C'est quoi une série temporelles concrètement ? Différentes dénominations)
1. Définition série temporelle
2. Décomposition Tendance / saisonnalité / résidu (Ici ou dans exponential smoothing forecasting)
3. Terminologie
1. Endogène / Exogène (Ajout de données différente de la time series ?)
2. Régression / Classification (Valeur numérique ou classe ?)
3. Structuré / Non structuré (Corrélations temporelles ?)
4. Univarié / Multivarié (Plusieurs variables ?)
5. Single-step / Multi-Step (Plusieurs horizon ?)
6. Statique / Dynamique (réentrainement ?)
7. Continue / Discontinue (Données à pas de temps régulier ?)

Méthodes de référence
(Présentation des méthodes historiques)
1. Méthodes naïves
1. Persistance
2. Moyenne
2. Autoregressive forecasting methods
1. ARMA
2. ARIMA
3. SARIMA
4. ARX ?
3. Exponential smoothing forecasting

Méthodes ML régression
(Présentation des méthodes ML, comme elles auront sans doute déjà été présentées on se focalise sur leurs applications aux time series)
1. Standard regression methods: GBM, SVM
2. LSTM
3. CNN

Regression times series en pratique
(A détailler un peu plus)
1. Traitement des données
1. Indicateurs temporels
2. Fenêtre glissante
2. Évaluation
1. Set de validation
2. Cross-validation (/!\ a la fuite de données, pas de shuffle)

Application : Prévision de consommation d'électricité en France
(Cas concret de prévision sur lequel j'ai eu à bosser, avec des données en libre accès)
1. Présentation du problème
2. Traitement des données
3. Implémentation des modèles
4. Évaluation

Autres cas d'applications
(Sans forcément rentrer dans les détails, donner des pistes/codes pour traiter ces problèmes moins courants)
1. Prévision séries temporelles multivariées
2. Classification (e.g., prédire activité sportive à partir données montre)
3. Prévision probabiliste

#5- Mener une recherche

Sous-partie concernée

Mener des recherches

Proposition de titre

Mener une recherche internet efficacement

Description du cours

Une introduction rapide à l'utilité de savoir mener une recherche internet correctement.
Suivie d'une liste de conseils et points clés pour bien chercher sur la toile.
2 méthodes pour mener des recherches classiques dans le cadre du cours sur les data sciences.

Première version très simplifiée, plutôt sous forme de liste d'idées directrices que de réel cours.
Structure et mise en page à retravailler.
Version odt :
mener_une_recherche.odt

Version Markdown :
mener_une_recherche.md

Informations supplémentaires

• Je peux l'écrire
• J'ai déjà du matériel
• Je recherche un-une co-auteur

[BUG] Links not working on the main page

Links at the bottom of the main page are not working :

[Modif] Revoir chap. 3 - régression linéaire

Ce chapitre introduit actuellement beaucoup de choses. Après concertation avec TheBatz, on s'est dit qu'il serait plus pertinent de le revoir en enlevant les explications sur la descente de gradient ainsi que la dernière partie sur la classification binaire.

On pense que ce chapitre devrait couvrir les points suivants :

• Présentation rapide sur le principe de régression (déjà couvert dans le chapitre 2)
• Introduction au modèle linéaire en tant que modèle de régression
• Présentation de notre fonction de loss : MSE
• Résolution grâce à l'algèbre linéaire : section à classer avec deux étoiles pour signifier qu'elle peut être sautée si le lecteur n'a pas les bases mathématiques (voir chapitre sur le compromis biais-variance où une telle section a aussi été marquée avec 2 étoiles)
• Exemple rapide avec une résolution à l'aide de sklearn (possibilité de montrer aussi une résolution du problème écrite à la main avec numpy à partir de la solution analytique démontrée juste avant ? à discuter !)

J'ai utilisé la métrique R² dans les chapitres sur la régularisation et le compromis biais-variance, il serait peut-être judicieux de l'introduire dans ce chapitre ?

[Ecriture] Chapitre I - Introduction

[Ecriture] Chapitre 10 - Métriques

Après avoir vu la MSE (et le R² ?) dans le chapitre 3, l'accuracy dans le chapitre 4 et probablement une autre métrique dans le chapitre 7, il faut présenter un ensemble de métriques ici. Les anciennes métriques peuvent être représentées afin d'être plus complet et que le lecteur n'ait pas à se réferrer aux chapitres d'introductions.
En vrac, une petite liste de métriques envisageables :

• Accuracy / Precision / Recall / F1
• MSE / MAE
• AUC / ROC

Il faudrait à chaque fois préciser l'intérêt de chaque métrique lorsqu'elle est introduite.

Hors Série #1 : cadrage d'un projet, éthique des données, enjeux et débats.

Plan proposé par : @AntoninLagarrigue (Discord : Zinzolin) et @tanguyesteoule (Discord : PhPMan)

Du théorique au concret (avec des exemples réels)

- L'IA confrontée à la réalité
(Essaie de montrer la différence entre faire des challenges sur kaggle et faire un vrai projet de data science de bout en bout. Quelles questions pratiques on sera amené à se poser. Je pense qu'on peut le faire sous forme de liste, genre les "X commandements de l'IA" ou un truc dans le style ^^)
- Quel protocole d'évaluation pour quel usage ?
- Les métriques sont-elles représentatives de l'usage ?
- Adapter la complexité du modèle en fonction des besoins (Penser itératif, ne pas réinventer la route)
- Conditions opérationnels
- Fuites de données
- Monitoring des prévisions
- Test avec données synthétiques
- Importance de la qualité des données + que du tunning des algos
- Comparaison à d'autres méthodes naïves/basiques/standards

- Aspects éthiques
(Ici c'est plutôt les points éthiques/morales qu'il faut garder en tête lorsqu'on attaque un sujet d'IA. Avec des exemples concrets de cas qui ont vraiment existés, sur les facebook files, cambridge analytica, zillow, ...)
- Point sur les impacts de l'IA dans nos vie, et les risques associés
- Ethique des données (anonymat, biais présents dans les données, recoupement de plusieurs datasets...)
- Usage détournée (désinformation/discrimination). Responsabilité du data scientist
- Excès de confiance (les modèles de ML ne sont pas infaillibles, il n'y a rien de magique), non neutralité des algos (il y a toujours des choix derrière les algos)
- Biais discricrimation/exclusion, parfois volontaires souvent négligés
- Autonomie des algos, controle/ garde-fous
- Manque de transparence

- Limites/Dangers de l'IA
(Se rapproche un peu de l'éthique sur certains points, mais peut être plus d'un point de vue technique.)
- Poisoning
- Adversarial attack
- Usage détourné

A insérer dans le plan

• Un sur les problèmes concrets techniques (Peu de données, Déséquilibre des classes, fuites de données, ...) qui sont déjà utiles pour des challenges type kaggle qui reflètent pas forcément la réalité du métier.
• Un qui se concentre plus sur "Comment définir le cadre d'un projet de data science ?" si celui ci n'est pas donné par un exercice ou par un challenge (parce qu'en général on va tous commencer là avant de se lancer dans un vrai projet perso/pro). Dans ce cas là on se pose toujours beaucoup de questions : Quel protocole d'évaluation ? Quelles métriques ? Par quel type de modèle commencer ? Quelles données ? Est-ce que mon modèle va bien répondre à mon problème ? A quoi se comparer ? .... . L'idée c'est de donner quelques pistes / exemples (tirés de nos expériences respectives) pour savoir un peu dans quelle direction partir.
• utiliser le dataset house price aussi, c'est un classique et il parle à tout le monde (features m carré, nombre de chambres ...)

[Ecriture] Chapitre 0 - Présentation du module 1 : introduction au ML

Afin de mieux séparer le cours de ML fonda, nous avons décidé de diviser ce cours en plusieurs modules.
Il faudrait ainsi écrire une présentation du module 1 : introduction au Machine Learning.

Les infos clefs à mettre :

• Contenu du module : première approche du ML pour un lecteur totalement débutant
• Introductions aux concepts généraux du ML
• 3 modèles basiques sont introduits : régression linéaire, K-NN et KMeans

Une fois que ce sera fait, il faudra le mettre dans le _toc.ylm en tant que chapitre d'introduction du module 1.

Plan RL

plan proposé par @AntoninLagarrigue (Discord : Zinzolin)

Module I: Introduction
Notions fondamentales

1. Introduction
2. Bandit Multi-armes
3. Processus de décision markoviens
4. Programmation Dynamique

Module II: Notions générales
Les algos de RL

1. Monte Carlo
2. TD Learning
3. Conclusion sur les méthodes tabulaires

Module III: Spécialisé ++
Deep Reinforcement Learning
1. Deep Q-Learning
2. Policy Gradient
3. Actor Critic

Recommendation de blogs, d'articles et de lectures en data science / engineering, machine learning, deep learning

Sous-partie concernée

Recommandation de lectures

Proposition de titre

Recommandation de lectures

Description du cours

• condensé de blogs techniques, d'articles scientifiques, de livres par et pour la communauté Defend Intelligence.

Informations supplémentaires

• Je peux l'écrire
• J'ai déjà du matériel
• Je recherche un-une co-auteur

[Relecture] - Harmonisation du site

Relecture des chapitres 1 à 7

Une branche ml-fonda-relecture a été créée, les modifs y seront faite à cet endroit.

[Ecriture] - Chapitre II - Notions générales

Readme

• Définition du scope du cours (pas assez clair).

[Modif] Revoir chapitre 2 - Eléments de définition

Il faudrait s'assurer que les images qui sont utilisées soient bien open sources. Idéalement nous utiliserions que des images à nous (à moins que cela nuise à la compréhension du lecteur).
De plus, on s'est rendu compte avec TheBatz qu'il manquait la notion de fonction de loss dans ce chapitre. Il faudrait une introduction générale au concept d'apprentissage d'un modèle (définition d'un modèle de ML, évaluation sur une loss, apprentissage défini en tant que minimisation de cette loss). On pourrait peut-être parler de la différence entre les hyperparamètres et les paramètres d'un modèle ? Peut-être qu'il faudrait aussi mentionner la différence entre les modèles paramétriques et les non-paramétriques ?

Plan Soft. Eng & Big Data

Plan proposée par : @LPauzies, @adriengoleb & @MohamedBsh (Discord : Adrien - CairOn - Bsh)

Module I: Basics Hands on - Ecrire un code de qualité en Python - @MohamedBsh

• Importance d'écrire du code de qualité + ressources de référence ( bases )
• Cohesion et Coupling
• Dependency Inversion et Dependency Injection
• Design patterns et software architecture
• Refactoré un projet de Data Science
• Software Testing
  • Théorie
  • écrire un test unitaire à partir d'un code existant
  • TDD

Module I: Basics Fondamentaux - Big Data - @adriengoleb

• Introduction Le Big data, c’est quoi ?
  1. La définition d’une donnée (Qu’est-ce qu’une data ? Qualitative vs quantitative etc …)
  2. Comment sont stockées nos données ? Sous quel format ?
  3. L’avènement du Big Data (4V + Définir pourquoi ? et définition des enjeux associés)
  4. Quelle est la place des Big data au quotidien ?

Module II: Principes généraux

• qu'est ce qu'une pipeline de données ? - @MohamedBsh
• Différents façon de stocker les données (différents types de stockages : BDDs relationnelles, NoSQL / limites, introduire SQL)
• Présentation de l'écosystème Hadoop - @MohamedBsh

Module II: Hands On - @MohamedBsh

• Projet SQL - challenge
• Projet ELT - focus Spark : Pyspark (préparation d'un dataset pour entrainement d'un modèle)

Module III: Architecture, Cloud & Ops

• Docker @MohamedBsh

Modules à insérer dans le Module III

qqles idées si des personnes sont partantes & ont le temps :)

• Cloud paradigm (vs Hadoop Ecosytem notamment : stockage, coût, maintenance, gain de temps), Hands On en fonctions de vos affinités parmis {AWS,GCP,Azure} des principales fonctionnalités.
• Orchestration (Airflow ?)

Modules Spécialisés ++

• Systèmes et Algorithmes distribuées
• Streaming vs Batch
• Sécurité
• Observabilité
• MLOps

Plan ML

plan proposé par : @Futurne (Discord : PierrotLeCon)

Module I: Introduction
1. Pourquoi ML
2. Éléments de définition
3. Regression avec LR (MSE)
4. Classification avec Knn (Accuracy)
5. Généralisation d'un modele de ml
6. Régularisation et compromis biais-variance : une introduction
7. Régularisation
8. Compromis biais-variance
9. Intro Clustering: Kmeans
10. Métrics (precision, f1 score, AUC, ROC, ...)
11. Feature engineering

Module II: Modèles Généraux
- Régression Logistique
- PCA (?)
- Decision Tree: Gini score -> Random Forest
- Naive Bayes (?)
- SVM (?)
- Kernel
- Gaussian Mixture Model
- Bayesian Learning (?)
- Feed Forward

Futurs modules: Spécialisés ++

Plan CV

plan proposé par: @Otsutsukii @RonyAbecidan (Discord : Tao & Rony)

Module I: Introduction

1. Presentation générale, task, domaine, contexte

Module II: Notions générales

1. Traditional CV (SIFT, BRIEF, FLANN, Hough, transforms, Geometric, hashing, bag-of-words approach)
2. ML CV, CamShift or Other shallow classifier, like Boosting, Adaboost based on traditional CV feature
3. ImageNet CNN (loss, cnn backprog, kernels, filters)
4. Deep CNN, Resnet, VGG, Inception, Residual Connections, Vision Transformer
5. Tasks in CV (Post estimation, GAN, Image retrieval, Image classification, Person, Re-identification, Image segmentation, image tracking etc.)

Module III: Spécialisé ++

Plan NLP

plan proposée par : @Serenalyw (Discord : Serena)

Chapitre I: Introduction

Présentation du NLP

Plan du cours

• Prérequis
• Plan

Etude des données textuelles

• différences avec les données structurées et quels enjeux en découlent
• Pré-traitements:
  • Stemming
  • Lemmatisation
  • Régularisation des expressions
  • Supression des Stop Words
  • Tokenisation

Chapitre II: Notions générales

Modélisation statistique du langage

• Vectorisation de texte : bow, tf-idf
• Modélisation de topics : LDA
• Limite des modèles statistiques

Modèles de langues

• Modèle unigram/bigram/ngram
• Perplexité
• Mise en pratique:
  • Classification unigram/bigram utilisant Naive Bayes/Multinomial Bayes (Comparaison précision unigram et bigram)
  • Génération de texte ngram utilisant une chaîne de Markov

Embeddings

• Word2Vec : modèle skip-gram et CBow
• Glove : Global Vectors
• Mesure de la similarité:
  • Cosine similarity
  • Dot product
• Exploration de topics: tSNE

Chapitre III: NLP & Deep Learning

Les réseaux de neurones récurrents

• RNN
  (Problème du vanishing gradient)
• GRU
• LSTM
• Transformers (Parenthèse sur BERT)
  (Possibilité de réutiliser le TP de Pierrot)

Pipelines NLP

• Image to Text (CLIP openAI)
• Text to Speech / Speech to Text
• Text to Image (DALL-E openAI)

Plan Soft. Eng & Big Data

plan réalisé par : @LPauzies et @adriengoleb (Discord : Adrien & Cair0n)

Module I: Introduction

1. Le Big data, c’est quoi ? (Introduction)

• La définition d’une donnée (Qu’est ce qu’une data ? Qualitative vs quantitative etc …)
• Comment sont stockées nos données ? Sous quel format ?
• L’avènement du Big Data (Définir pourquoi ? et définition des enjeux associés)
• Quelle est la place des Big data au quotidien ?
• Le Big Data dans le contexte de l’IA (rappel des enjeux)

Module II: Notions générales

1. Les principales structures de bases de données

• Définition du paysage des types de bases de données à schématiser

2. Bases de données relationnelles et ses limites

• Bases de données relationnelles Sur un exemple basique de bdd avec exemple de requête sur cette même base pour être assez rapide
• Optimisation de requêtes de BDD rel (algo d’indexation , etc …)
• Les limites des bases SGDR
• L’avènement du Big Data et les bases No SQL (tableau récap de comparaison)

3. Principales caractéristiques des NOSQL BD

• Concepts généraux des BDD Nosql
• Systèmes clé/valeurs (Présentation globale + citer ressources sur internet)
• Systèmes colonnes (Présentation globale + citer ressources sur internet)
• Systèmes Documents (Présentation globale + citer ressources sur internet)
• Systèmes graphes (Présentation globale + citer ressources sur internet)
• Théorème de CAP

4. Relationelles, non relationnelles ? un choix à faire selon le contexte

• Petite partie méthodo pour faire comprendre au lecteur qu’une BDD SQL peut sufir…

Module III: Spécialisé ++

1. Systèmes et Algorithmes distribuées

• Contexte appliqué dans l’IA
• Systèmes et fichiers distribués
  Définition et notions principales (citées des ressources internet)
  HDFS
  – gestion de fichiers Hadoop Hive Algorithme distribué, le Map Reduce (sur un exemple)
  Fonction Map Fonction Reduce
  Apache Spark Architecture et librairies (citées des ressources internet)
  Pyspark (Présentation d’un projet)
  Scala (Présentation d’un projet)

2. Cloud Computing

• Introduction au Cloud
• Présentation de plusieurs technos AWS/Azure/GCP
• Comment faire un projet Cloud sur une de ces technos lorsqu'on est étudiant ? Faire des projets à moindre coût.

3. Data Engineering

• TBD

5. DevOps

• TBD

[Ecriture] Chapitre 4 - Classification avec K-NN

Ce chapitre devrait couvrir les points suivants :

• Présentation rapide de la classification en ML (déjà introduite dans le chapitre 2)
• Présentation du modèle K-NN en tant que modèle de classification
• Présentation de la métrique d'accuracy en tant que métrique d'évaluation d'une tâche de classification
• Petit exemple sur sklearn (faudrait-il faire un exemple codé à la main ? cf chapitre 3 où la même discussion se pose)

[Ecriture] Introduction Big Data

[Ecriture] BDD relationnelles et ses limites

[Ecriture] Chapitre 9: Classification

Présentation du NLP - Qu'est ce que le NLP (Natural Language Processing) ?

Sous-partie concernée

Applications

Proposition de titre

Présentation du NLP - Qu'est ce que le NLP (Natural Language Processing) ?

Description du cours

• Présentation de la complexité du NLP (ambiguïté, dimension, variation, distribution ..).
• Le périmètre du traitement automatique du langage - NLP (champs d'applications).
• Systèmes symboliques vs statistiques.
• Exemple de jeu de données pour les méthodes NLP statistiques.
• Pipeline de traitement des systèmes NLP statistiques.
• Vocabulaires, définitions de bases (mot, document, corpus).
• représentations des mots (vectorisation) : BagOfWord.
• Tf-IDF.

Informations supplémentaires

• Je peux l'écrire
• J'ai déjà du matériel
• Je recherche un-une co-auteur pour :

Implémentation Python de tf-idf/tutoriel-application avec un notebook (from scratch - scikit-learn) avec une proposition d'exercices.

Plan Big data

Version détaillée du plan du chapitre ci-dessous

Définition d'une donnée (Introduction)

• La définition d’une donnée (Qu’est-ce qu’une data ? Qualitative vs quantitative etc …)
• Structurées/Non structurées
• Comment sont collectées/stockées nos données ? Sous quel format ?
• Cloud

Le Big data, c’est quoi ?

• Les limites du modèle relationnel
• L’avènement du Big Data (4V + Définir pourquoi ? et définition des enjeux associés)
• Quelle est la place des Big data au quotidien ?
• Les données, l’or noir de l’IA, entre enjeux et désillusions.
  • Qualité de la donnée (Implique préprocessing)
  • Une gouvernance nécessaire au sein des organisations
  • RGPD

Définition du projet fil rouge, fil conducteur du chapitre

Définition du contexte

Paysage des structures de bases de données

• Définition du paysage des types de bases de données à schématiser

Bases de données relationnelles et ses limites

• Bases de données relationnelles Sur un exemple basique de bdd avec exemple de requête sur cette même base pour être assez rapide
• Optimisation de requêtes de BDD rel (algo d’indexation , etc …)
• Les limites des bases SGDR
• Projet Fil rouge (sql)

Principales caractéristiques des NOSQL BD

• L’avènement du Big Data et les bases No SQL (tableau récap de comparaison)
• Concepts généraux des BDD Nosql
• Systèmes clé/valeurs (Présentation globale + citer ressources sur internet)
• Systèmes colonnes (Présentation globale + citer ressources sur internet)
• Systèmes Documents (Présentation globale + citer ressources sur internet)
• Systèmes graphes (Présentation globale + citer ressources sur internet)
• Théorème de CAP

Relationelles, non relationnelles ? un choix à faire selon le contexte

Petite partie méthodo pour faire comprendre au lecteur qu’une BDD SQL peut sufire…
Appel projet fil rouge (no sql)

Systèmes et Algorithmes distribuées

• Contexte appliqué dans l’IA
• Systèmes et fichiers distribués
  Définition et notions principales (citées des ressources internet)
  HDFS
  – gestion de fichiers Hadoop Hive Algorithme distribué, le Map Reduce (sur un exemple)
  Fonction Map Fonction Reduce
  Apache Spark Architecture et librairies (citées des ressources internet)
  Pyspark
  Appel projet fil rouge (pyspark ?)
  Complément à citer : Scala & Julia

Cloud Computing

o Introduction au Cloud

• Présentation des concepts clés
  o Présentation de plusieurs technos AWS/Azure
  Low code, Azure, Amazon , Data Pipeline, Versionning
  Appel projet fil rouge (cloud Azure ?)

ETL & DEVops

• Présentation des notions ? Pourquoi ? Quel sont les intérêts ?
  Déploiement infrastructure, Tagguer les fonctionnalités, Mise à échelle
  Appel projet fil rouge

ML OPS

Dev OPS Appliqué à la donnée
Appel projet fil rouge