diff --git a/module3/exo3/exercice.ipynb b/module3/exo3/exercice.ipynb
index 174d495abf12a9866d2a2b7957cfdf45d366cd5b..9a86eadac4a830b4388606a170969a59f25c1c6f 100644
--- a/module3/exo3/exercice.ipynb
+++ b/module3/exo3/exercice.ipynb
@@ -66,7 +66,8 @@
    "outputs": [],
    "source": [
     "df = pd.read_csv('weekly_in_situ_co2_mlo.csv', header=44, names=['week', 'concentration'])\n",
-    "# Ici header=44 permet de sauter les premières lignes du csv qui ne contiennent pas de données"
+    "# Ici header=44 permet de sauter les premières \n",
+    "# lignes du csv qui ne contiennent pas de données"
    ]
   },
   {
@@ -482,10 +483,14 @@
    },
    "outputs": [],
    "source": [
-    "df['year'] = df['week'].apply(lambda x:x.year) # on ajoute une colonne \"year\" qui correspond à l'année de la date \n",
-    "df['month'] = df['week'].apply(lambda x:x.month) # on ajoute une colonne \"month\" qui correspond au mois de la date\n",
-    "df_november = df[df[\"month\"] == 11] # on ne conserve dans un premier temps que les dates de novembre\n",
-    "df_first_november = df_november.drop_duplicates(subset=\"year\", keep='first') # on ne garde ensuite que la première semaine de novembre"
+    "df['year'] = df['week'].apply(lambda x:x.year) \n",
+    "# on ajoute une colonne \"year\" qui correspond à l'année de la date \n",
+    "df['month'] = df['week'].apply(lambda x:x.month) \n",
+    "# on ajoute une colonne \"month\" qui correspond au mois de la date\n",
+    "df_november = df[df[\"month\"] == 11] \n",
+    "# on ne conserve dans un premier temps que les dates de novembre\n",
+    "df_first_november = df_november.drop_duplicates(subset=\"year\", keep='first') \n",
+    "# on ne garde ensuite que la première semaine de novembre"
    ]
   },
   {
@@ -632,9 +637,12 @@
     }
    ],
    "source": [
-    "coef_reg = np.polyfit(np.arange(len(df_first_november['concentration'])), df_first_november['concentration'], 1) # on obtient les coefficients de la régression\n",
+    "coef_reg = np.polyfit(np.arange(len(df_first_november['concentration'])), \n",
+    "                      df_first_november['concentration'], 1) \n",
+    "# on obtient les coefficients de la régression\n",
     "print(coef_reg)\n",
-    "poly1d_fn = np.poly1d(coef_reg) # poly1d_fn est une fonction qui permet de faire une nouvelle prédiction avec les coefficients obtenus."
+    "poly1d_fn = np.poly1d(coef_reg) \n",
+    "# poly1d_fn est une fonction qui permet de faire une nouvelle prédiction avec les coefficients obtenus."
    ]
   },
   {
@@ -646,7 +654,8 @@
    },
    "outputs": [],
    "source": [
-    "df_filtered = df_first_november[['week', 'concentration']] # on ne conserve que les colonnes week et concentration"
+    "df_filtered = df_first_november[['week', 'concentration']] \n",
+    "# on ne conserve que les colonnes week et concentration"
    ]
   },
   {
@@ -746,7 +755,9 @@
    },
    "outputs": [],
    "source": [
-    "df_future = pd.DataFrame({'week':[datetime.datetime(2023, 11, 4), datetime.datetime(2024, 11, 2), datetime.datetime(2025, 11, 1)], \n",
+    "df_future = pd.DataFrame({'week':[datetime.datetime(2023, 11, 4), \n",
+    "                                  datetime.datetime(2024, 11, 2), \n",
+    "                                  datetime.datetime(2025, 11, 1)], \n",
     "                         \"concentration\":[None, None, None]})"
    ]
   },
@@ -828,7 +839,8 @@
    },
    "outputs": [],
    "source": [
-    "df_concat = pd.concat([df_filtered, df_future]) # on concatène les dates actuelles avec les dates futures"
+    "df_concat = pd.concat([df_filtered, df_future]) \n",
+    "# on concatène les dates actuelles avec les dates futures"
    ]
   },
   {
@@ -923,7 +935,8 @@
    },
    "outputs": [],
    "source": [
-    "df_concat[\"predictions\"] = poly1d_fn(np.arange(len(df_concat))) # on effectue les prédictions pour toutes les dates"
+    "df_concat[\"predictions\"] = poly1d_fn(np.arange(len(df_concat))) \n",
+    "# on effectue les prédictions pour toutes les dates"
    ]
   },
   {