enlève quelques TO DO

content/getting-started/02_DS_environment.md

@@ -75,7 +75,20 @@ résultats très proche de ce qu’on trouve en `R`.
 
 ## Environnement autour de Python
 
-**TO DO**
+Python est un langage très riche, grâce à sa logique open-source. Mais l'un
+des principaux intérêts réside dans le riche écosystème avec lequel Python
+s'intègre. On peut citer, dans un inventaire à la Prevert non exaustif :
+
+* Spark possède une API Python (pyspark) pour le traitement des données
+volumineuses
+* TensorFlow et Keras sont disponibles en python et proposent une grande variété
+de modèles de machine et deep learning
+* Une bonne intégration de python à Markdown (grâce notamment à ... `R Markdown`), Sphynx et JupyterBook proposent des modèles de documentation
+très complets
+* Les images Docker de Jupyterhub facilitent l'usage de l'intégration continue
+pour construire des modules, les tester et déployer des site web. Les services type `binder`, `google colab`, `onyxia` reposent sur ce principe
+* [Django](https://www.djangoproject.com/) permet de construire des applications web en python
+* [`bokeh`](https://bokeh.org/) ou [`streamlit`](https://www.streamlit.io/) comme alternative à [shiny (R)](https://shiny.rstudio.com/)
 
 ## Démarche à adopter face à un jeu de données
 

content/getting-started/03_python_practice.md

@@ -165,12 +165,6 @@ dans la définition d'une fonction le mot-clé `**kwargs` (équivalent du `...`
 arguments supplémentaires et les stocke sous forme de dictionnaire. Il s'agit d'une technique avancée de
 programmation qui est à utiliser avec parcimonie.
 
-<!----
-## Privilégier des fonctions imbriquées
-
-TO DO
------>
-
 # Documenter les fonctions {.docfonctions}
 
 La documentation des fonctions s'appelle la `docstrings`. Elle prend la forme suivante:
@@ -273,11 +267,13 @@ dépôt qui aura vocation à être personnel.
 
 **Lien vers TP git + intro python**
 
+<!-----
 ## Intégration continue avec python
 
 TO DO
+------->
 
-## Ne pas négliger le .gitignore
+## Ne pas négliger le `.gitignore`
 
 Un fichier à ne pas négliger est le `.gitignore`. Il s'agit d'un garde-fou car tous fichiers (notamment des
 données, potentiellement volumineuses ou confidentielles) n'ont pas vocation

content/manipulation/01_tp_numpy.Rmd

@@ -219,20 +219,6 @@ x_sub_copy = x[:2, :2].copy()
 
 -----
 
-<!---- GARDER ?
-### Généralisation avec des array n-dimensionnels
-
-La généralisation à un array n-dimensionnel n'est pas toujours évidente et implique souvent, pour 
-des structures complexes, des essais erreurs. 
-Nous nous bornerons aux array bidimensionnels. 
-Il ne faut pas oublier le piège de l'indexation 
-qui commence à 0
- 
-**Exercice**: Soit `x = np.array([[1, 2, 3, 4], [5, 6, 7, 8, 9, 10]])`
-
-**TO DO**
-
------>
 
 ### Filtres logiques
 

content/manipulation/01_tp_numpy.md

@@ -273,20 +273,6 @@ x_sub_copy = x[:2, :2].copy()
 
 -----
 
-<!---- GARDER ?
-### Généralisation avec des array n-dimensionnels
-
-La généralisation à un array n-dimensionnel n'est pas toujours évidente et implique souvent, pour 
-des structures complexes, des essais erreurs. 
-Nous nous bornerons aux array bidimensionnels. 
-Il ne faut pas oublier le piège de l'indexation 
-qui commence à 0
- 
-**Exercice**: Soit `x = np.array([[1, 2, 3, 4], [5, 6, 7, 8, 9, 10]])`
-
-**TO DO**
-
------>
 
 ### Filtres logiques