Change titles levels (#381)

* change level

* premiers chaptres

* clelan

* level types

* change

* noebooks clean

* Change title levels again (#382)

* rm file

* autres fichiers

* model

* Title level NLP part (#383)

* change titles

* word2vec

content/course/NLP/01_intro/index.qmd

@@ -61,7 +61,7 @@ de bénéficier d'une base solide pour approfondir tel ou tel
 sujet. 
 
 
-# Base d'exemple
+## Base d'exemple
 
 La base d'exemple est le *Comte de Monte Cristo* d'Alexandre Dumas.
 Il est disponible

content/course/NLP/02_exoclean/index.qmd

@@ -407,7 +407,7 @@ fig.get_figure()
 ```
 
 
-## Premier *wordcloud*
+### Premier *wordcloud*
 
 Pour aller plus loin dans l'analyse du champ lexical de chaque auteur,
 on peut représenter un `wordcloud` qui permet d'afficher chaque mot avec une

content/course/NLP/03_lda/index.qmd

@@ -405,6 +405,6 @@ Plus les barres sont loin les unes des autres, plus elles sont différentes. Un
 * Les **barres rouges** représentent une estimation du nombre de termes générés dans un sujet précis. La barre rouge la plus longue correspond au mot le plus utilisé dans ce sujet. 
 
 
-# Références
+## Références
 
 * Le [poly d'Alberto Brietti](http://alberto.bietti.me/files/rapport-lda.pdf)

content/course/NLP/04_word2vec/index.qmd

@@ -131,7 +131,7 @@ import gensim.downloader
 from sentence_transformers import SentenceTransformer
 ```
 
-# Nettoyage des données
+## Nettoyage des données
 
 Nous allons ainsi à nouveau utiliser le jeu de données `spooky`:
 
@@ -147,7 +147,7 @@ spooky_df.head()
 ```
 
 
-## Preprocessing
+### Preprocessing
 
 En NLP, la première étape est souvent celle du *preprocessing*, qui inclut notamment les étapes de tokenization et de nettoyage du texte. Comme celles-ci ont été vues en détail dans le précédent chapitre, on se contentera ici d'un *preprocessing* minimaliste : suppression de la ponctuation et des *stop words* (pour la visualisation et les méthodes de vectorisation basées sur des comptages).
 
@@ -205,7 +205,7 @@ spooky_df.head()
 ```
 
 
-## Encodage de la variable à prédire
+### Encodage de la variable à prédire
 
 On réalise un simple encodage de la variable à prédire :
 il y a trois catégories (auteurs), représentées par des entiers 0, 1 et 2.
@@ -227,7 +227,7 @@ On peut vérifier les classes de notre `LabelEncoder` :
 le.classes_
 ```
 
-## Construction des bases d'entraînement et de test
+### Construction des bases d'entraînement et de test
 
 On met de côté un échantillon de test (20 %) avant toute analyse (même descriptive).
 Cela permettra d'évaluer nos différents modèles toute à la fin de manière très rigoureuse,
@@ -266,9 +266,9 @@ la méthode `inverse_transform`
 print(y_train[0], le.inverse_transform([y_train[0]])[0])
 ```
 
-# Statistiques exploratoires
+## Statistiques exploratoires
 
-## Répartition des labels
+### Répartition des labels
 
 Refaisons un graphique que nous avons déjà produit précédemment pour voir
 la répartition de notre corpus entre auteurs:
@@ -288,7 +288,7 @@ fig.get_figure()
 On observe une petite asymétrie : les passages des livres d'Edgar Allen Poe sont plus nombreux que ceux des autres auteurs dans notre corpus d'entraînement, ce qui peut être problématique dans le cadre d'une tâche de classification.
 L'écart n'est pas dramatique, mais on essaiera d'en tenir compte dans l'analyse en choisissant une métrique d'évaluation pertinente. 
 
-## Mots les plus fréquemment utilisés par chaque auteur
+### Mots les plus fréquemment utilisés par chaque auteur
 
 On va supprimer les *stopwords* pour réduire le bruit dans notre jeu
 de données.
@@ -366,14 +366,14 @@ en termes de vocabulaire,
 ce qui laisse penser qu'il est envisageable de prédire les auteurs à partir
 de leurs textes dans une certaine mesure.
 
-# Prédiction sur le set d'entraînement
+## Prédiction sur le set d'entraînement
 
 Nous allons à présent vérifier cette conjecture en comparant
 plusieurs modèles de vectorisation,
 _i.e._ de transformation du texte en objets numériques
 pour que l'information contenue soit exploitable dans un modèle de classification.
 
-## Démarche
+### Démarche
 
 Comme nous nous intéressons plus à l'effet de la vectorisation qu'à la tâche de classification en elle-même,
 nous allons utiliser un algorithme de classification simple (un SVM linéaire), avec des paramètres non fine-tunés (c'est-à-dire des paramètres pas nécessairement choisis pour être les meilleurs de tous).
@@ -412,7 +412,7 @@ puis on calcule le `score F1` sur ces données agrégées.
 L'avantage de ce choix est qu'il permet de tenir compte des différences
 de fréquences des différentes classes.
 
-## Pipeline de prédiction
+### Pipeline de prédiction
 
 On va utiliser un *pipeline* `scikit` ce qui va nous permettre d'avoir
 un code très concis pour effectuer cet ensemble de tâches cohérentes. 
@@ -453,7 +453,7 @@ def fit_vectorizers(vectorizer):
     return grid_search
 ```
 
-# Approche _bag-of-words_
+## Approche _bag-of-words_
 
 On commence par une approche __"bag-of-words"__, 
 i.e. qui revient simplement à représenter chaque document par un vecteur
@@ -463,7 +463,7 @@ qui compte le nombre d'apparitions de chaque mot du vocabulaire dans le document
 cv_bow = fit_vectorizers(CountVectorizer)
 ```
 
-# TF-IDF
+## TF-IDF
 
 On s'intéresse ensuite à l'approche __TF-IDF__,
 qui permet de tenir compte des fréquences *relatives* des mots.
@@ -483,7 +483,7 @@ ce qui montre la pertinence de cette technique.
 cv_tfidf = fit_vectorizers(TfidfVectorizer)
 ```
 
-# Word2vec avec averaging
+## Word2vec avec averaging
 
 On va maintenant explorer les techniques de vectorisation basées sur les
 *embeddings* de mots, et notamment la plus populaire : `Word2Vec`.
@@ -592,7 +592,7 @@ cv_w2vec = fit_w2v_avg(w2v_model.wv)
 La performance chute fortement ;
 la faute à la taille très restreinte du corpus, comme annoncé précédemment.
 
-# Word2vec pré-entraîné + averaging
+## Word2vec pré-entraîné + averaging
 
 Quand on travaille avec des corpus de taille restreinte,
 c'est généralement une mauvaise idée d'entraîner son propre modèle `word2vec`.
@@ -676,7 +676,7 @@ Cela a plusieurs limites :
 - lorsque les documents sont longs, la moyennisation peut créer
 des représentation bruitées.
 
-# Contextual embeddings
+## Contextual embeddings
 
 Les *embeddings* contextuels visent à pallier les limites des *embeddings*
 traditionnels évoquées précédemment.

content/course/getting-started/01_installation/index.qmd

@@ -86,7 +86,7 @@ certain nombre d'éléments supplémentaires à `Python`. La suite
 de ce chapitre permettra de décrire les configurations à mettre
 en oeuvre pour être en mesure d'exploiter la richesse de l'écosystème `Python`.
 
-# Installer un environnement adapté à la *data-science* sur son ordinateur personnel {#local}
+## Installer un environnement adapté à la *data-science* sur son ordinateur personnel {#local}
 
 Cette partie présente plusieurs éléments de configuration d'un environnement
 en local. Cependant, cette approche est de moins en moins fréquente. En effet,
@@ -100,7 +100,7 @@ distant, est de plus en plus fréquent.
 
 
 
-## Installer `Python` en local
+### Installer `Python` en local
 
 Pour installer `Python`, il est recommandé d'utiliser
 la distribution [Anaconda](https://docs.anaconda.com/anaconda/install/)
@@ -124,7 +124,7 @@ Passer par `Anaconda` permet:
 de certaines librairies qui nécessitent l'usage de langages externes (par exemple
 du `C++`). 
 
-## Installer un environnement de développement
+### Installer un environnement de développement
 
 Les *notebooks* `Jupyter` (extension `.ipynb`)
 sont très utilisés en *data science*. Ils sont en
@@ -154,7 +154,7 @@ interface `Git`, etc.
 * fonctionalités classiques d'un IDE dont manque `Jupyter`: autocomplétion, diagnostic du code, etc.
 * intégration avec les environnements `Conda`
 
-## Installation de `Git`
+### Installation de `Git`
 
 Le principe de `Git` ainsi que son usage avec `Python` sont présentés dans
 une [partie dédiée](/course/git). Cette partie se concentre ainsi sur la question
@@ -167,7 +167,7 @@ externes, notamment les interfaces de développement comme
 `Visual Studio`, pourront l'utiliser. 
 
 
-# Exécution dans un environnement temporaire sur un serveur distant
+## Exécution dans un environnement temporaire sur un serveur distant
 
 Comme évoqué précedemment, les technologies dominantes dans
 le domaine du traitement des données ont amené à une évolution des pratiques
@@ -249,7 +249,8 @@ de garder à l'esprit qu'elles sont également temporaires.
 
 {{% /box %}}
 
-## SSP-Cloud [![Onyxia](https://img.shields.io/badge/SSPcloud-Tester%20via%20SSP--cloud-informational&color=yellow?logo=Python)](https://datalab.sspcloud.fr/launcher/ide/jupyter-python?autoLaunch=true&onyxia.friendlyName=«python-datascientist»&resources.requests.memory=«4Gi»&security.allowlist.enabled=false&git.repository=«https%3A%2F%2Fgithub.com%2Flinogaliana%2Fpython-datascientist.git)
+### SSP-Cloud <a href="https://datalab.sspcloud.fr/launcher/ide/jupyter-python?autoLaunch=true&onyxia.friendlyName=%C2%ABpython-datascience%C2%BB&init.personalInit=%C2%ABhttps%3A%2F%2Fraw.githubusercontent.com%2Flinogaliana%2Fpython-datascientist%2Fmaster%2Fsspcloud%2Finit-jupyter.sh%C2%BB&init.personalInitArgs=%C2%ABmanipulation%2001_numpy%C2%BB&security.allowlist.enabled=false" target="_blank" rel="noopener"><img src="https://img.shields.io/badge/SSPcloud-Tester%20via%20SSP--cloud-informational&amp;color=yellow?logo=Python" alt="Onyxia"></a><br>
+
 
 `Onyxia`, l'autre petit nom du SSP-Cloud,
 est une plateforme libre service mutualisée de traitement
@@ -267,7 +268,8 @@ Elle est aussi utilisé à des fins de formations et d’auto-formations.
 Dans cet environnement, `Jupyter` et `Visual Studio` sont tous deux 
 disponibles. 
 
-## Google collaboratory [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](http://colab.research.google.com/github/linogaliana/python-datascientist/blob/master)
+### Google collaboratory <a href="http://colab.research.google.com/github/linogaliana/python-datascientist/blob/master/notebooks/course/manipulation/01_numpy.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a>
+
 
 Google met à disposition une plateforme de calculs basée sur le format `Jupyter Notebook`.
 Un grand avantage de cette solution est la mise à disposition gratuite de
@@ -278,7 +280,8 @@ Il est possible de connecter les *notebooks* ouverts à Google Drive ou à
 [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/googlecolab/colabtools/blob/master/notebooks/colab-github-demo.ipynb)
 fournit un raccourci pour lancer le notebook dans un environnement dédié.
 
-## Github Visual Studio Editor [![githubdev](https://open.vscode.dev/badges/open-in-vscode.svg)](https://github.dev/linogaliana/python-datascientist)
+### Github Visual Studio Editor <a href="https://github.dev/linogaliana/python-datascientist/notebooks/course/manipulation/01_numpy.ipynb" target="_blank" rel="noopener"><img src="https://img.shields.io/static/v1?logo=visualstudiocode&label=&message=Open%20in%20Visual%20Studio%20Code&labelColor=2c2c32&color=007acc&logoColor=007acc" alt="githubdev"></a>
+
 
 `Microsoft` qui possède à la fois `Github` et `Visual Studio` a récemment
 lancé une offre `Github dev` qui permet d'ouvrir et lancer un notebook
@@ -289,22 +292,8 @@ Cette interface permet également de gérer les *issues* et *pull request*
 d'un dépôt `Github`. 
 
 
-## Binder [![Binder](https://img.shields.io/badge/Launch-Binder-E66581.svg?logo=data:image/png;base64,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)](https://mybinder.org/v2/gh/linogaliana/python-datascientist/master)
-
-En cliquant sur cette icône
-[![Binder](https://img.shields.io/badge/Launch-Binder-E66581.svg?logo=data:image/png;base64,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)](https://mybinder.org/v2/gh/linogaliana/python-datascientist/master),
-qu'on peut retrouver un peu partout dans ce site ou sur le dépôt
-{{< githubrepo >}}, vous pouvez lancer un environnement propre,
-et disposant d'une copie
-(un *clone* en langage `Git`) du dépôt `Github`. Celui-ci n'intègre
-pas forcément les dépendances nécessaires pour un chapitre, il est
-alors nécessaire de les installer. Malheureusement, les environnements `binder`
-peuvent mettre du temps à se lancer et il est plutôt recommandé de privilégier
-une autre approche.
-
-
 
-## La technologie en arrière-plan: Docker <i class="fab fa-docker"></i></a>
+### La technologie en arrière-plan: Docker <i class="fab fa-docker"></i></a>
 
 [Docker](https://www.docker.com/) est l'outil open-source de référence
 en matière de création d'environnements isolés et auto-suffisants (
@@ -341,7 +330,7 @@ le mot de passe `test` (défini plus haut), on peut ainsi accéder
 pérenne). 
 
 
-# Installer des packages supplémentaires
+## Installer des packages supplémentaires
 
 Un module est un script qui a vocation à définir des objets utilisés
 postérieurement par un interpréteur. C'est un script `.py` autosuffisant,
@@ -378,7 +367,7 @@ en apprenant à chercher dans la documentation ;
 - en cas d'erreur : copiez-collez l'erreur sur votre moteur de recherche préféré. Quelqu'un aura déjà posé la question, sans doute sur `stackoverflow`. Néanmoins, ne copiez-collez
 pas la réponse sans comprendre la solution. 
 
-## Les gestionnaires de packages
+### Les gestionnaires de packages
 
 Les packages d'un langage *open-source* sont mis à disposition sur
 des dépôts. Le CTAN est ainsi le dépôt `\(\LaTeX\)` le plus connu, le 
@@ -438,7 +427,7 @@ dans les entreprises.
 
 {{% /box %}}
 
-## Comment installer des packages
+### Comment installer des packages
 
 Avec Anaconda, il faut passer par la ligne de commande et taper