diff --git a/01-fondamentaux/06-regression_logistique.py b/01-fondamentaux/06-regression_logistique.py
index 6db7ca4..20e97b3 100644
--- a/01-fondamentaux/06-regression_logistique.py
+++ b/01-fondamentaux/06-regression_logistique.py
@@ -19,6 +19,7 @@ from matplotlib.colors import ListedColormap
 ###
 # Commandes NumPy :
 # - np.array : créer un tableau à partir d'une liste de listes
+# - np.c_ : concatène les colonnes des tableaux
 # - np.linspace : créer un tableau 1D de la valeur de début à la valeur de fin avec n valeurs
 # - np.meshgrid : créer un tableau 2D avec l'ensemble des combinaisons allant des deux valeurs de début aux deux valeurs de fin
 # - .reshape : reformater la tableau avec le nombre de lignes et le nombre de colonnes
diff --git a/02-intro_rna/01-perceptron.py b/02-intro_rna/01-perceptron.py
index 44bf94b..e199f6c 100644
--- a/02-intro_rna/01-perceptron.py
+++ b/02-intro_rna/01-perceptron.py
@@ -20,15 +20,14 @@ from matplotlib.colors import ListedColormap
 # Commandes NumPy :
 # - np.array : créer un tableau à partir d'une liste de listes
 # - np.c_ : concatène les colonnes des tableaux
-# - np.ones : créer un tableau de 1
-# - np.linalg.inv : inversion de matrice
-# - .T : transposé de matrice
-# - .dot : produit de matrice
+# - np.linspace : créer un tableau 1D de la valeur de début à la valeur de fin avec n valeurs
+# - np.meshgrid : créer un tableau 2D avec l'ensemble des combinaisons allant des deux valeurs de début aux deux valeurs de fin
+# - .reshape : reformater la tableau avec le nombre de lignes et le nombre de colonnes
 ###
 
 ###
 # Commandes Scikit-Learn :
-# - sklearn.linear_model.LinearRegression() : créer un modèle de régression linéaire (méthode des moindres carrés)
+# - sklearn.linear_model.Perceptron() : créer un modèle de Perceptron
 # - .fit : entrainement du modèle
 # - .predict : prédiction du modèle
 ###
@@ -74,7 +73,7 @@ X_new = np.c_[x1_new_mg.ravel(), x2_new_mg.ravel()]
 ###############################################################################
 
 # model= sklearn.linear_model.Perceptron(max_iter=1000, tol=1e-3, random_state=42)
-model = sklearn.linear_model.Perceptron() # Modèle régression logistique
+model = sklearn.linear_model.Perceptron() # Modèle perceptron
 model.fit(X, y1) # Entrainement
 
 ###############################################################################
@@ -114,9 +113,6 @@ def sigmoid(_x):
 def echelon(_x): # Heaviside
     return (_x >= 0).astype(_x.dtype)
 
-def relu(_x):
-    return np.maximum(0, _x)
-
 def derivation(f, _x, eps=0.000001):
     return (f(_x + eps) - f(_x))/eps
 
@@ -127,14 +123,12 @@ f_activ_x = np.linspace(-5, 5, 200)
 f_activ_ax.set(xlim=(-5,5), ylim=(0, 1.25))
 f_activ_ax.plot(f_activ_x, sigmoid(f_activ_x), "g-", label="Sigmoïde")
 f_activ_ax.plot(f_activ_x, echelon(f_activ_x), "b-", label="Échelon")
-# f_activ_ax.plot(f_activ_x, relu(f_activ_x), "m-", label="ReLU")
 f_activ_ax.legend()
 
 # Dérivée
 df_activ_ax = fig.add_subplot(2,3,5)
 df_activ_ax.plot(f_activ_x, derivation(sigmoid, f_activ_x), "g-", label="f'(Sigmoïde)")
 df_activ_ax.plot(f_activ_x, derivation(echelon, f_activ_x), "b-", label="f'(Échelon)")
-# df_activ_ax.plot(f_activ_x, derivation(relu, f_activ_x), "m-", label="f'(ReLU)")
 df_activ_ax.legend()
 
 ###############################################################################
diff --git a/02-intro_rna/img/01-perceptron.png b/02-intro_rna/img/01-perceptron.png
index 2da9811..e996022 100644
Binary files a/02-intro_rna/img/01-perceptron.png and b/02-intro_rna/img/01-perceptron.png differ