Ex 03-3: résumé + correction taux d'accroissement

- passage à Plotly pour les figures
- correction du style

.gitignore

+*~
\ No newline at end of file

module3/exo3/.gitignore

+Exercice.so
+exercice.jl
\ No newline at end of file

module3/exo3/Manifest.toml

@@ -112,9 +112,9 @@ version = "2.0.0"
 
 [[DataStructures]]
 deps = ["InteractiveUtils", "OrderedCollections"]
-git-tree-sha1 = "73eb18320fe3ba58790c8b8f6f89420f0a622773"
+git-tree-sha1 = "4dead20a1606a60292529023d6eac18a1ef6432e"
 uuid = "864edb3b-99cc-5e75-8d2d-829cb0a9cfe8"
-version = "0.17.11"
+version = "0.17.12"
 
 [[DataValueInterfaces]]
 git-tree-sha1 = "bfc1187b79289637fa0ef6d4436ebdfe6905cbd6"
@@ -170,9 +170,9 @@ uuid = "e30172f5-a6a5-5a46-863b-614d45cd2de4"
 version = "0.24.7"
 
 [[ElasticArrays]]
-git-tree-sha1 = "5b5b7cb8cba44bcf337b8af0a1f3e57c89468660"
+git-tree-sha1 = "6643de157ea3332d73e35a6a6ed2bdffe7792b12"
 uuid = "fdbdab4c-e67f-52f5-8c3f-e7b388dad3d4"
-version = "1.0.0"
+version = "1.1.0"
 
 [[ElasticPDMats]]
 deps = ["LinearAlgebra", "MacroTools", "PDMats", "Test"]

module3/exo3/compile.jl

+#!/bin/bash
+#=
+exec julia --color=yes --startup-file=no "${BASH_SOURCE[0]}" "$@"
+=#
+
+using Pkg
+Pkg.activate(@__DIR__)
+Pkg.instantiate()
+
+using PackageCompiler
+@time create_sysimage(Symbol.(keys(Pkg.project().dependencies));
+                      sysimage_path=Pkg.project().name * ".so",
+                      precompile_execution_file=joinpath(@__DIR__, "make.jl"))
+
+# Local Variables:
+# mode: julia
+# End:

module3/exo3/exercice.jmd

@@ -4,8 +4,61 @@ author : François Févotte
 date: avril 2020
 options:
   css: skeleton_css.css
+  template: julia_html.tpl
 ---
 
+Ce document a été réalisé à l'occasion du [MOOC "Recherche
+Reproductible"](https://www.fun-mooc.fr/courses/course-v1:inria+41016+self-paced/info). Il
+a donc plus vocation à fournir des résultats *reproductibles* que des résultats
+*intéressants*. N'étant pas un scientifique des données, il est tout à fait
+possible que l'analyse réalisée ici soit caduque ; je plaide pour l'indulgence
+du lecteur !
+
+Ce document a été automatiquement généré à partir du fichier
+[`exercice.jmd`](exercice.jmd), que le lecteur intéressé pourra consulter
+directement. Une [annexe](repro.html) détaille toutes les étapes nécessaires
+afin de reproduire l'analyse et re-générer intégralement le présent
+document. Cette annexe, nommée [`repro.html`](repro.html), devrait se trouver
+dans le même dépôt git et même répertoire que le présent document.
+
+------
+
+**Résumé:**
+
+Depuis 1958, la concentration atmosphérique en CO2 est mesurée régulièrement à
+l'observatoire de Mauna Loa, à Hawaï. Ces mesures, initiées par [Charles
+D. Keeling](https://en.wikipedia.org/wiki/Charles_David_Keeling), ont été les
+parmi les premières à mettre en évidence l'accroissement rapide de la
+concentration en CO2 dans l'atmosphère, un constat qui a par la suite permis
+d'attirer l'attention de la communauté scientifique (puis par la suite du grand
+public) sur l'impact des activités humaines sur l'atmosphère.
+
+![Courbe de
+Keeling](https://upload.wikimedia.org/wikipedia/commons/thumb/c/c5/Mauna_Loa_CO2_monthly_mean_concentration.svg/480px-Mauna_Loa_CO2_monthly_mean_concentration.svg.png)
+
+```julia; echo=false;
+monroe2015() = print("[[monroe2015](https://scripps.ucsd.edu/programs/keelingcurve/2015/02/12/is-the-rate-of-co2-growth-slowing-or-speeding-up/)]");
+```
+
+La [courbe de Keeling](https://en.wikipedia.org/wiki/Keeling_Curve) fait
+apparaître une augmentation de la concentration atmosphérique de l'ordre de 1 à
+2 ppm/an `j monroe2015()`. Elle fait aussi apparaître une variation
+cyclique d'environ 5 ppm chaque année, qui rend l'analyse de la tendance
+systématique haussière plus délicate.
+
+Nous nous proposons ici de refaire pas à pas l'étude de ce jeu de données. Nous
+séparons la composante cyclique de la composante tendancielle, afin de
+caractériser cette dernière. Les paramètres de notre modèle correspondent à un
+taux d'augmentation du CO2 atmosphérique de 0.8 ppm/an en 1959, et 1.5 ppm/an en
+2015 (cette dernière valeur étant un peu sous-estimée par rapport aux 2.25
+ppm/an annoncés dans `j monroe2015()`).
+
+Notre modèle est construit en utilisant les données de 1959 à 2014. Il est
+validé par comparaison aux données de 2015 à nos jours. Une extrapolation sur la
+période 2020-2025 est aussi réalisée afin de permettre une comparaison à de
+futures mesures.
+
+
 # Gestion des dépendances
 
 
@@ -36,6 +89,7 @@ analyse.
 using Pkg
 Pkg.activate(@__DIR__)
 Pkg.instantiate()
+Pkg.status()
 ```
 
 
@@ -56,7 +110,7 @@ using Printf
 using Dates
 using DataFrames
 using Statistics
-using Plots; gr()
+using Plots; plotly()
 ```
 
 ```julia; echo=false; results="hidden"
@@ -133,10 +187,10 @@ end
 
 Le fichier est structuré en deux colonnes :
 - `date` : date de la mesure
-- `val` : concentration en CO2 (en ppm molaires)
+- `co2` : concentration en CO2 (en ppm molaires)
 
 ```julia; results="hidden"
-data_raw = CSV.read(data_file; skipto=skip+1, header=[:date, :val])
+data_raw = CSV.read(data_file; skipto=skip+1, header=[:date, :co2])
 ```
 
 L'examen des premières et dernières lignes de données révèle qu'elles couvrent
@@ -179,17 +233,19 @@ particulier ayant duré 19 semaines en 1964. Le traitement devra en tenir compte
 Une visualisation de l'ensemble des données semble montrer une augmentation
 tendancielle de la concentration en CO2, à laquelle se superpose une oscillation
 à plus haute fréquence.
-```julia; echo=false
-plot(xlabel="Date", ylabel="CO2 [ppm]", legend=:bottomright)
-plot!(data_raw.date, data_raw.val, label="mesures")
+```julia; echo=false; results="raw"
+plot(xlabel="Date", ylabel="CO2 [ppm]")
+plot!(data_raw.date, data_raw.co2, label="mesures")
+disp()
 ```
 
 Un zoom sur les dernières années laisse penser que le cycle court se produit sur
 une période annuelle, avec un minimum local atteint chaque année autour du mois
 d'octobre.
-```julia; echo=false
-plot(xlabel="Date", ylabel="CO2 [ppm]", legend=:bottomright)
-plot!(data_raw.date[end-150:end], data_raw.val[end-150:end], label="mesures")
+```julia; echo=false; results="raw"
+plot(xlabel="Date", ylabel="CO2 [ppm]")
+plot!(data_raw.date[end-150:end], data_raw.co2[end-150:end], label="mesures")
+disp()
 ```
 
 # Analyse
@@ -277,7 +333,7 @@ de la "date numérique". C'est le paquet Julia
 charge d'effectuer le gros du travail.
 
 ```julia
-interp = DI.LinearInterpolation(data_raw.val, date2num.(data_raw.date));
+interp = DI.LinearInterpolation(data_raw.co2, date2num.(data_raw.date));
 ```
 
 Nous allons profiter de la construction des données interpolées pour gérer le
@@ -286,13 +342,13 @@ problème des données manquantes : nous n'interpolerons aucune donnée dans les
 interpolées est aussi l'occasion d'enrichir les formats de représentation des
 dates. Nous avons maintenant 5 colonnes dans notre jeu de données interpolé :
 - `date` : date identifiant le jour de la mesure (ou de la valeur interpolée)
-- `val` : valeur de la mesure de CO2 (ou de l'interpolation)
+- `co2` : valeur de la mesure de CO2 (ou de l'interpolation)
 - `date_num` : date convertie en nombre
 - `year` : composante de la date identifiant l'année
 - `day` : composante de la date identifiant le jour dans l'année (entre 0 et 365)
 
 ```julia; results="raw"
-data_interp = DataFrame(date_num=Int[], val=Float64[], date=Date[], year=Int[], day=Int[])
+data_interp = DataFrame(date_num=Int[], co2=Float64[], date=Date[], year=Int[], day=Int[])
 for i in 2:length(dates)
     if dates[i]-dates[i-1] > 14Days
         # pas d'interpolation : seule la date de gauche est inclue
@@ -312,7 +368,7 @@ for i in 2:length(dates)
                             date = date,
                             year = year(date),
                             day  = dayinyear(date),
-                            val  = interp(date_num)))
+                            co2  = interp(date_num)))
     end
 end
 
@@ -324,16 +380,17 @@ manquantes, on observe bien le résultat attendu : une interpolation linéaire
 journalière lorsque les données sont disponibles, mais aucune interpolation
 lorsque les données sont manquantes.
 
-```julia; echo=false
-plot(xlabel="Date", ylabel="CO2 [ppm]", legend=:topleft)
+```julia; echo=false; results="raw"
+plot(xlabel="Date", ylabel="CO2 [ppm]")
 
 idx1 = (data_interp.date .> Date("2006-01-20")) .& (data_interp.date .< Date("2006-03-15"))
-plot!(data_interp.date[idx1], data_interp.val[idx1], seriestype=:scatter,
+plot!(data_interp.date[idx1], data_interp.co2[idx1], seriestype=:scatter,
       label="valeurs interpolées")
 
 idx2 = (data_raw.date .> Date("2006-01-20")) .& (data_raw.date .< Date("2006-03-15"))
-plot!(data_raw.date[idx2], data_raw.val[idx2], seriestype=:scatter,
+plot!(data_raw.date[idx2], data_raw.co2[idx2], seriestype=:scatter,
       label="mesures")
+disp()
 ```
 
 Enfin, nous ne gardons pour notre analyse que des années complètes. D'ailleurs,
@@ -355,9 +412,10 @@ Sur ces années complètes, la composante `day` de la date devrait être
 équirépartie entre 0 et 365, ce qui est globalement le cas. Les données
 manquantes n'ont donc pas d'impact significatif de ce point de vue là.
 
-```julia; echo=false
+```julia; echo=false; results="raw"
 plot(xlabel="Jour de l'année", ylabel="Nombre de valeurs")
 histogram!(data.day, bins=0:31:365, label=nothing)
+disp()
 ```
 
 ## Analyse des variations annuelles
@@ -407,13 +465,13 @@ plutôt des valeurs (notées $C_0$ et $C_1$ dans le code) moyennées sur les 7
 premiers et 7 derniers jours de l'année.
 
 ```julia
-data.phi   = copy(data.val)
-data.alpha = zero(data.val)
-data.beta  = zero(data.val)
+data.phi   = copy(data.co2)
+data.alpha = zero(data.co2)
+data.beta  = zero(data.co2)
 for year in unique(data.year)
     idx = (data.year .== year)
-    C₀ = data.val[idx .& (data.day .< 7)  ] |> mean
-    C₁ = data.val[idx .& (data.day .> 358)] |> mean
+    C₀ = data.co2[idx .& (data.day .< 7)  ] |> mean
+    C₁ = data.co2[idx .& (data.day .> 358)] |> mean
     α = C₀
     β = (C₁ - C₀) / 365
 
@@ -428,25 +486,29 @@ l'année 1982. On voit, sur la figure du haut, les mesures brutes ainsi que la
 tendance locale (affine). Sur la figure du bas, la composante périodique locale
 vérifie bien les contraintes demandées, avec ses valeurs nulles aux bords.
 
-```julia; echo=false
+```julia; echo=false; results="raw"
 let df = data[data.year.==1982, :]
    p1 = plot(ylabel="CO2 [ppm]")
-   plot!(p1, df.date, df.val, label="mesures")
-   plot!(p1, df.date, df.alpha.+df.beta.*df.day, label="alpha + beta * day")
+   plot!(p1, df.date, df.co2,
+         label="mesures", linewidth=2)
+   plot!(p1, df.date, df.alpha.+df.beta.*df.day,
+         label="alpha + beta * day", linewidth=2)
 
 
    p2 = plot(xlabel="date", ylabel="CO2 [ppm]")
-   plot!(p2, df.date, df.phi, label="phi")
+   plot!(p2, df.date, df.phi,
+         label="phi", linecolor="green", linewidth=2)
 
    l = @layout [a ; b]
    plot(p1, p2, layout=l)
+   disp()
 end
 ```
 
 Pour que notre décomposition soit valide, il faut que les composantes
 périodiques locales de chaque année se ressemblent, au point de pouvoir être
-représentées par leur moyenne. Nous calculons donc cette moyenne pour toutes les
-années du jeu de données d'étude.
+représentées par leur moyenne. Nous calculons donc cette moyenne (et
+l'écart-type associé) pour toutes les années du jeu de données d'étude.
 
 ```julia; results="raw"
 avg = by(data, :day, :phi=>mean, :phi=>std)
@@ -455,13 +517,14 @@ info(avg)
 
 Et nous traçons l'ensemble des composantes oscillantes locales aux côtés de cette moyenne.
 
-```julia; echo=false
+```julia; echo=false; results="raw"
 plot(xlabel="date", ylabel="CO2 [ppm]")
 plot!(data.day, data.phi, seriestype=:scatter, label="phi")
 plot!(avg.day, avg.phi_mean, linewidth=3, label="phi (moyenne)")
-plot!(avg.day, avg.phi_mean.-avg.phi_std, linecolor="red", linewidth=1, label="phi (IC 67%)")
-plot!(avg.day, avg.phi_mean.+avg.phi_std, linecolor="red", linewidth=1, label=nothing)
-plot!(avg.day, avg.phi_std, linewidth=1, label="phi (écart-type)")
+plot!(avg.day, avg.phi_mean.-2avg.phi_std, linecolor="red", linewidth=2, label="phi (IC 95%)")
+plot!(avg.day, avg.phi_mean.+2avg.phi_std, linecolor="red", linewidth=2, label=nothing)
+plot!(avg.day, avg.phi_std, linewidth=2, label="phi (écart-type)")
+disp()
 ```
 
 Comme on pouvait s'y attendre, il reste une forte variabilité d'année en
@@ -486,17 +549,18 @@ $$
 
 ```julia
 data = join(data, avg, on=:day)
-data.theta = data.val .- data.phi_mean;
+data.theta = data.co2 .- data.phi_mean;
 ```
 
 Même s'il reste des oscillations locales, nous constatons tout de même que la
 composante tendancielle est devenue suffisamment lisse pour récupérer une forme
 de monotonie.
 
-```julia; echo=false
-plot(xlabel="Date", ylabel="CO2 [ppm]", legend=:bottomright)
-plot!(data.date, data.val,   label="mesures")
+```julia; echo=false; results="raw"
+plot(xlabel="Date", ylabel="CO2 [ppm]")
+plot!(data.date, data.co2,   label="mesures")
 plot!(data.date, data.theta, label="theta")
+disp()
 ```
 
 Nous allons maintenant tenter de caractériser la tendance sous-jacente. Au vu de
@@ -507,8 +571,11 @@ $$
 
 Le paquet Julia [`GLM`](https://github.com/JuliaStats/GLM.jl) permet de *fitter*
 des modèles linéaires (ou modèles linéaires généralisés). Nous l'utilisons ici
-pour estimer les paramètres de notre modèle. L'estimation est réalisée sur un
-sous-échantillonnage du jeu de données, comprenant un point (moyen) par an.
+pour estimer les paramètres de notre modèle. Afin de ne pas considérer un nombre
+artificiellement élevé de points de mesure, l'estimation est réalisée sur un
+sous-échantillonnage du jeu de données, comprenant un point (moyen) par an, ce
+qui correspond à l'échelle de temps que nous n'avons pas encore capturé dans la
+composante oscillante.
 
 ```julia; wrap=false
 sample = by(data, :year, theta = :theta=>mean, date_num = :date_num=>mean)
@@ -519,30 +586,40 @@ Le modèle obtenu semble correspondre assez bien aux données, avec une
 incertitude de l'ordre de quelques pourcents sur l'estimation des paramètres
 $\alpha$ et $\beta$.
 
-```julia
-α,  β,  γ  = coef(model);
-α1, β1, γ1 = coef(model)-2*stderror(model);
-α2, β2, γ2 = coef(model)+2*stderror(model);
+```julia; results="hidden"
+# Paramètres du modèle et intervalle de confiance à 95%
+α,  β,  γ  = coef(model)
+α1, β1, γ1 = coef(model)-2*stderror(model)
+α2, β2, γ2 = coef(model)+2*stderror(model)
+
+# Taux d'accroissement
+τ(d) = (β + γ * date2num(d)) * 365
+
+τ1 = τ(Date("1959"))
+τ2 = τ(Date("2015"))
 ```
 
-En première approximation, on a en particulier une hausse tendancielle de la
-concentration de CO2 atmosphérique de l'ordre de
-$\beta$ = `j @printf "%.2e" β` ppm/jour ($\pm$`j @printf "%.2f" 100*(β2-β)/β`%),
-qui se traduit en une augmentation annuelle comprise entre
-`j @printf "%.2f" 365*β1` et `j @printf "%.2f" 365*β2` ppm/an
-avec un niveau de confiance de 95%.
+Ce modèle caractérise en particulier une hausse tendancielle de la concentration
+de CO2 atmosphérique de l'ordre de $\tau_1$ = `j @printf "%.2f" τ1` ppm/an en
+1959 et $\tau_2$ = `j @printf "%.2f" τ2` ppm/an en 2015. Si la valeur de 1959
+correspond assez bien au taux de 0.75 ppm/an déterminé dans `j monroe2015()`, la
+valeur que nous trouvons pour 2015 est sous-évaluée de plus de 30% par rapport
+aux 2.25 ppm/an calculés par Monroe.
 
-On voit toutefois que l'incertitude sur les paramètres (en particulier $\beta$)
-est de nature à engendrer une perte de prédictibilité du modèle en temps long.
+Par ailleurs, s'il est clair que la tendance est à l'augmentation, on voit
+toutefois que l'incertitude sur les paramètres n'est pas complètement
+négligeable. L'incertitude sur $\beta$ est en particulier de nature à engendrer
+une perte de prédictibilité du modèle en temps long.
 
-```julia; echo=false
+```julia; echo=false; results="raw"
 data.theta_pred = predict(model, data)
 
-plot(xlabel="Date", ylabel="CO2 [ppm]", legend=:bottomright)
-plot!(data_raw.date, data_raw.val, label="mesures")
+plot(xlabel="Date", ylabel="CO2 [ppm]")
+plot!(data_raw.date, data_raw.co2, label="mesures")
 plot!(data.date, data.theta_pred, label="modèle theta", linewidth=3)
 plot!(data.date, α .+ β1 * data.date_num .+ γ*data.date_num.^2, linecolor="red", label="modèle theta (IC 95%)")
 plot!(data.date, α .+ β2 * data.date_num .+ γ*data.date_num.^2, linecolor="red", label=nothing)
+disp()
 ```
 
 ## Reconstruction du signal complet et prédiction
@@ -570,14 +647,14 @@ prediction = DataFrame(date_num=date_num,
 info(prediction)
 ```
 
-Le modèle `GLM` précédemment calibré est utilisé pour calculer $\theta(t)$. On y
+Le modèle `GLM` précédemment calibré est utilisé pour prédire $\theta(t)$. On y
 ajoute la fonction de forme annuelle $\phi(t)$ par périodicité.
 
 ```julia; results="raw"
 prediction.theta = predict(model, prediction)
 prediction = join(prediction, avg, on=:day)
 
-prediction.val = prediction.theta .+ prediction.phi_mean
+prediction.co2 = prediction.theta .+ prediction.phi_mean
 info(prediction)
 ```
 
@@ -585,12 +662,14 @@ On voit que la forme annuelle semble bien reproduite sur les 5 premières année
 pour lesquelles il est possible de comparer les prédictions avec les mesures
 réelles. En revanche, la tendance ne colle que sur les deux premières années
 d'extrapolation ; on observe un décalage significatif et croissant ensuite.
-```julia; echo=false
+
+```julia; echo=false; results="raw"
 idx = data_raw.date .> Date(lastyear)
-plot(xlabel="Date", ylabel="CO2 [ppm]", legend=:bottomright)
-plot!(data_raw.date[idx], data_raw.val[idx], label="mesures")
-plot!(prediction.date, prediction.theta,     label="tendance")
-plot!(prediction.date, prediction.val,       label="prédiction")
+plot(xlabel="Date", ylabel="CO2 [ppm]")
+plot!(data_raw.date[idx], data_raw.co2[idx], label="mesures")
+plot!(prediction.date, prediction.theta,     label="tendance", linewidth=2)
+plot!(prediction.date, prediction.co2,       label="prédiction", linewidth=2)
+disp()
 ```
 
 ## Pour aller plus loin
@@ -599,8 +678,8 @@ plot!(prediction.date, prediction.val,       label="prédiction")
 @info "* Studying alternate model"
 ```
 
-En utilisant des modèles plus complexes, il est possible de mieux caractériser
-la tendance en temps longs :
+En utilisant des techniques de calage de modèle plus complexes, il est possible
+de mieux caractériser la tendance en temps longs :
 
 ```julia; wrap=false
 model2 = glm(@formula(theta ~ date_num + date_num^2), sample,
@@ -610,7 +689,7 @@ model2 = glm(@formula(theta ~ date_num + date_num^2), sample,
 En reprenant l'analyse précédente, ce nouveau modèle donne les prédictions
 suivantes, qui collent quasi-parfaitement aux mesures dans la période de test :
 
-```julia; echo=false
+```julia; echo=false; results="raw"
 date_num = date2num(Date(lastyear)):10:date2num(today()+5Years)
 prediction2 = DataFrame(date_num=date_num,
                         date=num2date.(date_num),
@@ -618,13 +697,14 @@ prediction2 = DataFrame(date_num=date_num,
 
 prediction2.theta = predict(model2, prediction2)
 prediction2 = join(prediction2, avg, on=:day)
-prediction2.val = prediction2.theta .+ prediction2.phi_mean
+prediction2.co2 = prediction2.theta .+ prediction2.phi_mean
 
 idx = data_raw.date .> Date(lastyear)
-plot(xlabel="Date", ylabel="CO2 [ppm]", legend=:bottomright)
-plot!(data_raw.date[idx], data_raw.val[idx], label="mesures")
-plot!(prediction2.date, prediction2.theta,     label="tendance")
-plot!(prediction2.date, prediction2.val,       label="prédiction")
+plot(xlabel="Date", ylabel="CO2 [ppm]")
+plot!(data_raw.date[idx], data_raw.co2[idx], label="mesures")
+plot!(prediction2.date, prediction2.theta,   label="tendance", linewidth=2)
+plot!(prediction2.date, prediction2.co2,     label="prédiction", linewidth=2)
+disp()
 ```
 
 Je n'ai aucune idée de la signification qu'il est possible de donner à ces
@@ -632,11 +712,6 @@ valeurs de paramètres, aussi est-il sans doute préférable de conserver, au mo
 dans un premier temps, l'interprétation donnée par le modèle quadratique simple
 (quoi que donnant des prédictions plus éloignées des données).
 
-```julia; echo=false; results="hidden"
-# close plots
-closeall()
-```
-
 <!-- Local Variables: -->
 <!-- mode: markdown -->
 <!-- ispell-local-dictionary: "french" -->

module3/exo3/julia_html.tpl

+<!DOCTYPE html>
+<HTML lang = "en">
+<HEAD>
+  <meta charset="UTF-8"/>
+  <meta name="viewport" content="width=device-width, initial-scale=1.0, user-scalable=yes">
+  {{#:title}}<title>{{:title}}</title>{{/:title}}
+  {{{ :header_script }}}
+
+  <script src="plotly-latest.min.js"></script>
+
+  <script type="text/x-mathjax-config">
+    MathJax.Hub.Config({
+      tex2jax: {inlineMath: [['$','$'], ['\\(','\\)']]},
+      TeX: { equationNumbers: { autoNumber: "AMS" } }
+    });
+  </script>
+
+  <script type="text/javascript" async src="https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.1/MathJax.js?config=TeX-AMS-MML_HTMLorMML">
+  </script>
+
+  {{{ :highlightcss }}}
+
+  <style type="text/css">
+  {{{ :themecss }}}
+  </style>
+
+
+
+</HEAD>
+  <BODY>
+    <div class ="container">
+      <div class = "row">
+        <div class = "col-md-12 twelve columns">
+
+          <div class="title">
+            {{#:title}}<h1 class="title">{{:title}}</h1>{{/:title}}
+            {{#:author}}<h5>{{{:author}}}</h5>{{/:author}}
+            {{#:date}}<h5>{{{:date}}}</h5>{{/:date}}
+          </div>
+
+          {{{ :body }}}
+
+
+          <HR/>
+          <div class="footer"><p>
+          Published from <a href="{{{:source}}}">{{{:source}}}</a> using
+          <a href="http://github.com/mpastell/Weave.jl">Weave.jl</a>
+          {{:wversion}} on {{:wtime}}.
+          <p></div>
+
+
+        </div>
+      </div>
+    </div>
+  </BODY>
+</HTML>

module3/exo3/make.jl

-using Pkg
-Pkg.activate(@__DIR__)
+#!/bin/bash
+#=
+  OPTS="--color=yes --startup-file=no"
+  [ -f Exercice.so ] && OPTS="$OPTS -J Exercice.so"
 
-import Weave
-Weave.tangle(joinpath(@__DIR__, "exercice.jmd"))
+  exec julia ${OPTS} "${BASH_SOURCE[0]}" "$@"
+=#
 
-using PackageCompiler
-create_sysimage(Symbol.(keys(Pkg.project().dependencies));
-                sysimage_path=Pkg.project().name * ".so",
-                precompile_execution_file=joinpath(@__DIR__, "exercice.jl"))
+using Weave
+let srcfile = joinpath(@__DIR__, "exercice.jmd")
+    tangle(srcfile)
+    Weave.weave() = @time weave(srcfile)
+    weave()
+end
+
+# Local Variables:
+# mode: julia
+# End:

module3/exo3/utils.jl

+# Permet de construire des durées avec une syntaxe comme :
+#   7Days
+const Years = Year(1)
+const Days  = Day(1)
+
+
+
 # Affichage des DataFrames dans la sortie HTML
 function info(df::DataFrame)
+    try
+        WEAVE_ARGS
+    catch
+        display(df)
+        return
+    end
+
     pretty(x) = x
     pretty(x::Float64) = @sprintf "%.6f" x
-
     pretty(::Type{Union{T,Missing}}) where {T} = "$T?"
 
     function printrow(i)
@@ -55,7 +68,25 @@ function info(df::DataFrame)
 end
 
 
-# Permet de construire des durées avec une syntaxe comme :
-# 7Days
-const Years = Year(1)
-const Days  = Day(1)
+
+# Meilleure intégration entre Plotly et Weave
+function disp()
+    try
+        WEAVE_ARGS
+    catch
+        display(plot!())
+        return
+    end
+
+    buf = IOBuffer()
+    show(buf, MIME("text/html"), plot!())
+    seekstart(buf)
+    str = String(read(buf))
+    m = match(r"<body>(.*)</body>"s, str)
+
+    return if m === nothing
+        str
+    else
+        m.captures[1]
+    end |> print
+end