Contexte : Un modèle pré-entraîné est utilisé pour classification spécialisée sur un dataset réduit. Le Problème : Fine-tuning complet entraîne surapprentissage ou instabilité. Contraintes : Identifier couches à geler et celles à entraîner. Ajuster learning rate différencié. Évaluer performance et stabilité. Livrable attendu : Proposer une stratégie de fine-tuning sélectif optimisée pour maximiser performance tout en évitant surapprentissage.