Utilisation des callout classiques pour les box notes and co (#629)

linogaliana · web-flow · commit 99ab48b0fb6f · 2025-07-25T18:50:15.000+02:00
diff --git a/content/NLP/03_embedding.qmd b/content/NLP/03_embedding.qmd
@@ -70,7 +70,7 @@ et un [deuxième](https://www.kaggle.com/meiyizi/spooky-nlp-and-topic-modelling-
 Comme dans la [partie précédente](/content/NLP/02_exoclean.qmd), il faut télécharger des librairies
 spécialiséees pour le NLP, ainsi que certaines de leurs dépendances. Ce TD utilisera plusieurs librairies dont certaines dépendent de `PyTorch` qui est une librairie volumineuse.
 
-::: {.important}
+::: {.callout-important}
 ## `PyTorch` sur le `SSPCloud`
 
 __La prochaine remarque ne concerne que les utilisateurs.trices du `SSPCloud`.__
@@ -120,7 +120,7 @@ and [a second one](https://www.kaggle.com/meiyizi/spooky-nlp-and-topic-modelling
 
 As in the [previous section](/content/NLP/02_exoclean.qmd), we need to install specialized NLP libraries along with their dependencies. This tutorial will use several libraries, including some that depend on `PyTorch`, which is a large framework.
 
-::: {.important}
+::: {.callout-important}
 ## `PyTorch` on `SSPCloud`
 
 __The following note is only relevant for users of `SSPCloud`.__
diff --git a/content/annexes/evaluation.qmd b/content/annexes/evaluation.qmd
@@ -45,7 +45,7 @@ Ces données peuvent être directement disponibles sous la forme de fichiers txt
 
 Vous obtiendrez vraisemblablement des données qui ne sont pas « propres » du premier coup : mettez en place des protocoles de nettoyage pour obtenir à la fin de cette étape un ou des jeux de données fiable et robuste pour mener ensuite votre analyse. C’est également le moment de créer des variables plus appréhendables, mieux identifiées. N'oubliez pas de justifier les choix méthodologiques que vous avez pu faire car le chargé de TD ne connaît pas forcément la base de données en question. 
 
-::: {.important collapse=true}
+::: {.callout-important collapse=true}
 ## Faire un code reproductible quand on fait du webscraping ou utilise des API est une gageure
 
 Comme cela est expliqué dans le chapitre consacré au [_webscraping_](/content/manipulation/04_webscraping_TP.qmd), récupérer des données par ce biais est un moyen détourné peu fiable dans la durée car les sites évoluent continuellement ou mettent en oeuvre des solutions pour bloquer les robots aspirant leurs données. Vous n'êtes pas assuré que votre code qui fonctionne aujourd'hui pourra à nouveau tourner demain sans encombre. C'est un problème qui peut également être rencontré avec les API quoique ces dernières sont un moyen plus robuste d'accès aux données. Mais on n'est jamais à l'abri d'une mise à jour de celle-ci. 
diff --git a/content/getting-started/01_environment.qmd b/content/getting-started/01_environment.qmd
@@ -277,13 +277,13 @@ python -c "import geopandas as gpd ; print(gpd.GeoDataFrame)" #<2>
 
 
 ::: {.content-visible when-profile="fr"}
-:::: {.important}
+:::: {.callout-important}
 Il est déconseillé d'utiliser des importations globales sous la forme `from pkg import *`. Par exemple, prenons deux modules qui proposent une fonction `sqrt`:
 ::::
 :::
 
 ::: {.content-visible when-profile="en"}
-:::: {.important}
+:::: {.callout-important}
 It is discouraged to use global imports like `from pkg import *`. For example, consider two modules that provide a `sqrt` function:
 ::::
 :::
@@ -393,7 +393,7 @@ The best way to learn `Python` or notebooks is through practice, so all chapters
 
 
 ::: {.content-visible when-profile="fr"}
-:::: {.important}
+:::: {.callout-important}
 ## Environnement recommandé pour ce cours
 
 Pour les agents de la fonction publique, ou
@@ -413,7 +413,7 @@ Comme nous l'avons évoqué, `VSCode` est un environnement bien plus complet que
 :::
 
 ::: {.content-visible when-profile="en"}
-:::: {.important}
+:::: {.callout-important}
 ## Recommended environment for this course
 
 For public sector employees or students from partner schools, it is recommended to use the `SSPCloud` button, which is a modern, powerful, and flexible cloud infrastructure developed by Insee and accessible at [https://datalab.sspcloud.fr](https://datalab.sspcloud.fr/home)[^portail-formation].
diff --git a/content/getting-started/02_data_analysis.qmd b/content/getting-started/02_data_analysis.qmd
@@ -370,7 +370,7 @@ Depending on the target audience, communication will differ. The code may intere
 
 ::: {.content-visible when-profile="fr"}
 
-:::: {.caution}
+:::: {.callout-caution}
 
 Les _notebooks_ `Jupyter` ont eu beaucoup de succès dans le monde de la _data science_ pour partager des travaux. Pourtant il ne s'agit pas forcément toujours du meilleur format. En effet, beaucoup de _notebooks_ tentent à empiler des pavés de code et du texte, ce qui les rend difficilement lisibles[^note-projet].
 
@@ -388,7 +388,7 @@ Si ce cours propose des _notebooks_, c'est parce qu'ils sont particulièrement a
 
 ::: {.content-visible when-profile="en"}
 
-:::: {.caution}
+:::: {.callout-caution}
 
 _Jupyter_ notebooks have been very popular in the data science world for sharing work. However, they are not always the best format. Indeed, many notebooks tend to stack blocks of code and text, which makes them hard to read[^note-projet].
 
diff --git a/content/getting-started/intro/_intro.qmd b/content/getting-started/intro/_intro.qmd
@@ -42,7 +42,7 @@ You can find more information in the [introductory slides](https://slidespython.
 
 
 ::: {.content-visible when-profile="fr"}
-:::: {.note collapse="true"}
+:::: {.callout-note collapse="true"}
 ## Architecture du site web
 
 Ce cours présente des tutoriels et des exercices complets qui peuvent être lus depuis ce site ou édités et testés dans un environnement interactif de type `Jupyter Notebook` (voir [prochain chapitre](/content/getting-started/01_environment.qmd) pour plus de détails).
@@ -55,7 +55,7 @@ plus extensive.
 :::
 
 :::: {.content-visible when-profile="en"}
-::::: {.note collapse="true"}
+::::: {.callout-note collapse="true"}
 ## Website Architecture
 
 This course offers comprehensive tutorials and exercises that can be read directly on the site or edited and run in an interactive `Jupyter Notebook` environment (see the [next chapter](/content/getting-started/01_environment.qmd) for details).
diff --git a/content/git/introgit.qmd b/content/git/introgit.qmd
@@ -49,7 +49,7 @@ Pour comprendre les analogies avec le versionnage artisanal à la main, rappelon
 ![Le contrôle de version artisanal](https://inseefrlab.github.io/formation-bonnes-pratiques-git-R/slides/img/fichiers_multiples.png){#fig-version-control-inferno}
 
 
-::: {.important}
+::: {.callout-important}
 Il est vivement recommandé de privilégier `VSCode` pour l'apprentissage de `Git`. Son extension est très bien faite, bien meilleure que celle de `Jupyter`. 
 
 `Colab` n'embarque pas, nativement, d'extension `Git`. Des sauvegardes automatiques sont possibles sur `Github` mais ce n'est pas une pratique à encourager. Pire encore, `Colab` proposera plutôt une intégration avec `Drive`, un autre produit `Google`. Certes le _notebook_ sera versionné puisque `Drive` embarque des sauvegardes de version mais ce n'est pas une technologie faite pour les sauvegardes de code ; elle n'apportera pas les bénéfices de `Git` qui seront évoqués ultérieurement.
@@ -205,7 +205,7 @@ __⚠️ Gardez la page ouverte__, le _token_ n'apparaît qu'une fois et nous n'
 
 Nous avons créé un _token_ et comme cela est indiqué sur la page de `Github` ou dans les consignes de l'exercice, celui-ci n'est pas pérenne. Il va donc falloir trouver un moyen de conserver celui-ci quelque part. Nous allons proposer plusieurs solutions pour cela. Ecrire celui-ci dans un fichier texte créé avec le bloc note ne fait pas parti de ces solutions, au contraire c'est une très mauvaise pratique. 
 
-::: {.important}
+::: {.callout-important}
 
 Il est important de ne jamais stocker un _token_, et encore moins son mot de passe, dans un projet.
 Il est possible de stocker un mot de passe ou *token* de manière sécurisée et durable
@@ -949,7 +949,7 @@ Voici quelques exemples où les branches sont utilisées pour des travaux signif
 
 Il est commun, dans un cadre collaboratif, d'utiliser à foison les branches. Comme nous le verrons dans le prochain chapitre, cela peut en effet faire économiser un temps précieux si l'organisation du projet est mal définie. Néanmoins, les branches ne sont pas un remède magique car leur gestion demande de la rigueur et peut entraîner de la désorganisation sans celle-ci. `Git` est une solution technique qui fluidifie l'organisation mais en cas de rôles mal définis, il va rapidement vous révéler les problèmes, mais ne vous offrira pas la solution sans un effort de réflexion sur l'organisation du travail.
 
-::: {.caution}
+::: {.callout-caution}
 
 Les branches ne sont pas personnelles, ce n'est pas parce que vous avez créé une branche qu'une des personnes collaborant avec vous sur le projet `Git` ne pourra pas modifier cette branche. 
 
diff --git a/content/manipulation/02_pandas_intro.qmd b/content/manipulation/02_pandas_intro.qmd
@@ -307,7 +307,7 @@ poids
 
 ::: {.content-visible when-profile="fr"}
 
-:::: {.important}
+:::: {.callout-important}
 ## Attention aux valeurs manquantes !
 
 De manière générale, si `Pandas` détecte exclusivement des valeurs entières dans une variable, il utilisera le type `int` pour optimiser la mémoire. Ce choix fait sens. Il a néanmoins un inconvénient: `Numpy`, et donc par extension `Pandas`, ne sait se représenter des valeurs manquantes pour le type `int` (plus d'éléments sur les valeurs manquantes ci-dessous). 
@@ -321,7 +321,7 @@ Pour des données textuelles, c'est tout aussi simple:
 :::
 
 ::: {.content-visible when-profile="en"}
-:::: {.important}
+:::: {.callout-important}
 ## Missing Values are tricky !
 
 In general, if `Pandas` exclusively detects integer values in a variable, it will use the `int` type to optimize memory. This choice makes sense. However, it has a drawback: `Numpy`, and therefore by extension `Pandas`, cannot represent missing values for the `int` type (more on missing values below).
diff --git a/content/manipulation/04a_webscraping_TP.qmd b/content/manipulation/04a_webscraping_TP.qmd
@@ -1001,7 +1001,7 @@ from the website [pokemondb.net](http://pokemondb.net/pokedex/national).
 :::
 
 
-::: {.important}
+::: {.callout-important}
 :::: {.content-visible when-profile="fr"}
 Il sera nécessaire d'indiquer à `request` un paramètre pour contrôler l'_user-agent_
 ::::
@@ -1355,7 +1355,7 @@ To install this minimalist version of `Chrome` on a
 :::
 
 
-::: {.important}
+::: {.callout-important}
 ## Installation de `Selenium`
 
 ::: {.content-visible when-profile="fr"}
diff --git a/content/manipulation/04c_API_TP.qmd b/content/manipulation/04c_API_TP.qmd
@@ -141,7 +141,7 @@ The first mode (access via a browser) is primarily used when a web interface all
 
 :::: {.content-visible when-format="ipynb"}
 
-::: {.important}
+::: {.callout-important}
 Une explication interactive est disponible sur [le site du cours](https://pythonds.linogaliana.fr/content/manipulation/04c_API_TP.html).
 :::
 
@@ -153,7 +153,7 @@ Une explication interactive est disponible sur [le site du cours](https://python
 
 :::: {.content-visible when-profile="en"}
 
-::: {.important}
+::: {.callout-important}
 An interactive explanation is available on [the course website](https://pythonds.linogaliana.fr/content/manipulation/04c_API_TP.html).
 :::
 
@@ -1382,7 +1382,7 @@ The retrieved PDF
 
 :::: {.content-visible when-profile="fr"}
 
-::: {.important}
+::: {.callout-important}
 L'approche par variable d'environnement est la plus générale et malléable. Il faut néanmoins bien faire attention à ne pas oublier d'ajouter le `.env` stockant les identifiants dans `Git`. Autrement, vous risquez de révéler des informations identifiantes ce qui annule tout effet positif des bonnes pratiques mises en oeuvre avec `dotenv`.
 
 Pour cela, la solution est simple : ajouter la ligne `.env` au `.gitignore` et par sécurité `*.env` au cas où le fichier ne soit pas à la racine du dépôt. Pour en savoir plus sur ce fichier `.gitignore`, se rendre sur les [chapitres `Git`](/content/git/index.qmd).
@@ -1392,7 +1392,7 @@ Pour cela, la solution est simple : ajouter la ligne `.env` au `.gitignore` et p
 
 :::: {.content-visible when-profile="en"}
 
-::: {.important}
+::: {.callout-important}
 The environment variable approach is the most general and flexible. However, it is crucial to ensure that the `.env` file storing the credentials is not added to `Git`. Otherwise, you risk exposing identifying information, which negates any benefits of the good practices implemented with `dotenv`.
 
 The solution is simple: add the `.env` line to `.gitignore` and, for extra safety, include `*.env` in case the file is not at the root of the repository. To learn more about the `.gitignore` file, refer to the [Git chapters](/content/git/index.qmd).
diff --git a/content/modelisation/0_preprocessing.qmd b/content/modelisation/0_preprocessing.qmd
@@ -239,7 +239,7 @@ color_dict = {'republican': '#FF0000', 'democrats': '#0000FF'}
 
 :::: {.content-visible when-profile="fr"}
 
-::: {.important}
+::: {.callout-important}
 ## Le piège territorial
 
 Comme cela a été évoqué dans le [chapitre consacré à la cartographie](/content/visualisation/matplotlib.qmd), les cartes choroplèthes peuvent donner une impression fallacieuse
@@ -265,7 +265,7 @@ l'une des surcouches à `JavaScript` vues dans la partie [visualisation](/conten
 
 ::: {.content-visible when-profile="en"}
 
-:::: {.important}
+:::: {.callout-important}
 ## The Territorial Trap
 
 As mentioned in the [chapter on mapping](/content/visualisation/matplotlib.qmd), choropleth maps can give a misleading impression that the Republican Party won by a large margin in 2020 because this type of graphic representation gives more importance to large areas rather than dense areas. This explains why this type of map has been used as justification for contesting the election results.
@@ -471,7 +471,7 @@ Nous allons voir deux processus très classiques de *preprocessing* pour des var
 
 Il en existe d'autres, par exemple le `MinMaxScaler` pour renormaliser les variables en fonction des bornes minimales et maximales des valeurs observées. Le choix de la méthode a mettre en oeuvre dépend du type d'algorithmes choisis par la suite: les hypothèses des k plus proches voisins (knn) seront différentes de celles d'une _random forest_. C'est pour cette raison que, normalement, on définit des _pipelines_ complets, intégrant à la fois _preprocessing_ et apprentissage. Ce sera l'objet des prochains chapitres.
 
-::: {.caution}
+::: {.callout-caution}
 Pour les statisticiens.ennes,
 le terme _normalization_ dans le vocable `Scikit` peut avoir un sens contre-intuitif.
 On s'attendrait à ce que la normalisation consiste à transformer une variable de manière à ce que $X \sim \mathcal{N}(0,1)$.
@@ -492,7 +492,7 @@ We will cover two very common preprocessing steps for continuous variables:
 
 There are other options, such as `MinMaxScaler` to rescale variables according to observed minimum and maximum bounds. The choice of method depends on the algorithms chosen later: the assumptions of k-nearest neighbors (knn) differ from those of a random forest. For this reason, complete pipelines are usually defined, integrating both preprocessing and learning, which will be discussed in upcoming chapters.
 
-:::: {.caution}
+:::: {.callout-caution}
 For statisticians,
 the term _normalization_ in `Scikit` terminology can have a counterintuitive meaning.
 One might expect normalization to transform a variable so that $X \sim \mathcal{N}(0,1)$.
@@ -524,7 +524,7 @@ Standardization involves transforming data so that the empirical distribution fo
 
 C'est une illustration d'un problème classique en _machine learning_, le _data drift_, qui arrive lorsqu'on essaie d'extrapoler à des données dont la distribution ne correspond plus à celle des données d'apprentissage. Ce type de situation arrive typiquement lorsqu'on a entraîné un algorithme sur un échantillon biaisé de la population ou lorsqu'on a des séries temporelles non stationnaires. Il est donc important de bien réfléchir à la constitution de l'échantillon d'apprentissage et aux possibilités d'extrapolation sur une population plus large : la validité externe du modèle - préparation des données ou algorithme d'apprentissage - peut être nulle si cette étape a été réalisée de manière hâtive.
 
-::: {.important}
+::: {.callout-important}
 ## Le _data drift_
 
 Le _data drift_ désigne un changement dans la distribution des données au fil du temps, entraînant une dégradation des performances d’un modèle de _machine learning_ qui, par construction, a été entraîné sur des données passées. 
@@ -540,7 +540,7 @@ Il est crucial de détecter le _data drift_ pour ajuster ou réentraîner le mod
 
 This is an illustration of a classic problem in machine learning, called _data drift_, which occurs when we attempt to extrapolate to data whose distribution no longer corresponds to that of the training data. This situation typically arises when an algorithm has been trained on a biased sample of the population or when we have non-stationary time series data. It is, therefore, essential to carefully consider the construction of the training sample and the potential for extrapolation to a broader population: the external validity of the model—whether data preparation or learning algorithm—can be null if this step was rushed.
 
-::: {.important}
+::: {.callout-important}
 ## Data Drift
 
 Data drift refers to a shift in data distribution over time, leading to a degradation in the performance of a machine learning model that, by design, was trained on past data.
@@ -707,7 +707,7 @@ The `IsolationForest()` function in the `sklearn.ensemble` package is particular
 ::: {.content-visible when-profile="fr"}
 ## Exercice d'application
 
-::: {.caution}
+::: {.callout-caution}
 ## Attention aux nouvelles modalités !
 
 Les _transformers_ créent un _mapping_ entre des modalités textuelles et des valeurs numériques. Cela présuppose que les données sur lesquelles a été construit ce _mapping_ intègrent l'ensemble des valeurs possibles pour les modalités textuelles. 
@@ -722,7 +722,7 @@ Néanmoins, si de nouvelles modalités apparaissent, le classifieur ne saura pas
 
 ## Application exercise
 
-::: {.caution}
+::: {.callout-caution}
 ## Be careful with new categories!
 
 Transformers create a mapping between text categories and numeric values. This assumes that the data used to build this mapping includes all possible values for the text categories.
diff --git a/content/visualisation/matplotlib.qmd b/content/visualisation/matplotlib.qmd
@@ -90,7 +90,7 @@ The next step is to deepen the work of communication and synthesis through vario
 
 :::: {.content-visible when-profile="fr"}
 
-::: {.important}
+::: {.callout-important}
 
 Être capable de construire des visualisations de données intéressantes est une compétence nécessaire à tout _data scientist_ ou chercheur. Pour améliorer la qualité de ces visualisations, il est recommandé de suivre certains conseils donnés par des spécialistes de la _dataviz_ sur la sémiologie graphique.
 
@@ -110,7 +110,7 @@ Si vous êtes intéressés par `R` {{< fa brands python >}}, une version très p
 
 :::: {.content-visible when-profile="en"}
 
-::: {.important}
+::: {.callout-important}
 
 Being able to create interesting data visualizations is a necessary skill for any _data scientist_ or researcher. To improve the quality of these visualizations, it is recommended to follow certain advice from _dataviz_ specialists on graphical semiology.
 
