diff --git a/web/content/am/TP_Classification.md b/web/content/am/TP_Classification.md
index dab30c4aa78aec64b9b65db7ea5248bb530a057e..a2cc45e40019ccc5ac1b53719de006d956ef2a95 100644
--- a/web/content/am/TP_Classification.md
+++ b/web/content/am/TP_Classification.md
@@ -160,7 +160,7 @@ exemple, pour reconnaitre le nombre à partir de l'image du nombre écrit ou rec
   
 Pour ce type de tâche, le réseau approprié est le ConvNET ou CNN : Convolution Neural Network. Vous pouvez lire des explications sur ce qu'est un CNN dans le cours ou éventuellement sur internet (par exemple une [explication intuitive ici](https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/) ).
 
-Pour du code avec pytorch, [https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html](regardez ici).
+Pour du code avec pytorch, [regardez ici](https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html).
 
 
 ![Image alt](../images/convnet.png)
@@ -250,7 +250,7 @@ class Classifier(nn.Module):
 
 ## L'entrainement
 De manière assez similaire au classifier de nuages de point plus haut, il faut entrainer le réseau en déclarant également le DataLoader.
-[https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html](Regardez ici).
+[regardez ici](https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html)
 
 
 ## Conclusion