Contexte : Une entreprise média souhaite classer automatiquement ses articles dans plusieurs catégories (sport, économie, technologie, culture). Le Problème : Le modèle TF-IDF actuel atteint rapidement ses limites en capturant mal la sémantique. Contraintes : Utiliser des embeddings distribués (Word2Vec, GloVe ou FastText). Construire un modèle supervisé basé sur ces représentations. Séparer correctement train/validation/test. Évaluer via F1-score macro. Livrable attendu : Concevoir un pipeline NLP intégrant embeddings distribués et comparer ses performances avec une approche TF-IDF classique.