reformulation of some sentences

module3/exo3/exercice_python_fr.org

@@ -16,24 +16,28 @@
 ** Objectifs 
    1. Proposer un modèle de la variation de CO2 dans l'atmosphère en
       fonction du temps depuis 1958 à l'aide de différentes mesures.
-   2. À l'aide du modèle prédire la concentration future de CO2
+   2. À l'aide du modèle, prédire la concentration future de CO2
       en 2025.
 ** Généralités sur les données utilisées
 
 Voici quelques points généraux sur les données utilisées dans cette
 étude : 
-  - Lien de téléchargement des données est le suivant : [[https://scrippsco2.ucsd.edu/assets/data/atmospheric/stations/in_situ_co2/weekly/weekly_in_situ_co2_mlo.csv][link]]
+  - Le lien de téléchargement des données est le suivant : [[https://scrippsco2.ucsd.edu/assets/data/atmospheric/stations/in_situ_co2/weekly/weekly_in_situ_co2_mlo.csv][link]]
   - Les données ont été téléchargées le 2020-11-16 (date au format ISO). 
-  - D'après le site de téléchargement la concentration de CO2 est
+  - D'après le site de téléchargement, la concentration de CO2 est
     donnée en [micro-mol CO2 per more] (ppm).
   - Finalement, d'après le site : "The weekly values have been
     adjusted to 12:00 hours at middle day of each weekly period."
     
-** Démarche générales de l'étude
-   1. Dans un premier temps effectuer une analyse fréquentielle des
-      données afin de tenter de modéliser certains phénomènes.
-   2. Utiliser un outil d'optimisation pour déterminer certains
-      paramètres du modèle proposé en utilisant les mesures.
+** Description des démarches adoptées. 
+Deux démarches ont été adoptées afin de déterminer un modèle de la
+concentration de C02 en fonction des mesures :
+
+   1. Dans un premier temps, effectuer une analyse fréquentielle en
+      utilisant la transformée de Fourier des mesures afin de
+      caractériser certains phénomènes.
+   2. Utiliser un outil d'optimisation pour déterminer les paramètres
+      d'un modèle proposé par simple observation des mesures.
 
 ** Outils utilisés
 1. Python 3.8.6 (GCC 10.2.0)
@@ -41,7 +45,7 @@ Voici quelques points généraux sur les données utilisées dans cette
 3. scipy 1.5.3
 4. matplotlib 3.3.2
 
-* Lecture des données brutes ou téléchargement
+* Lecture ou téléchargement des données brutes
 Les données ont été téléchargées le 2020-11-16. Le lien de
 téléchargement utilisé est le suivant :
 
@@ -61,7 +65,7 @@ localement.
 #+END_SRC
 
 Les données commencent à la ligne 45, donc on ne prend pas en compte
-les premières 45 lignes du fichier.
+les 45 premières lignes du fichier.
 
 #+BEGIN_SRC python :results silent :var data_url=data-url :session 
   data = open(data_file, 'rb').read()
@@ -70,7 +74,7 @@ les premières 45 lignes du fichier.
   table = [line.split(',') for line in data_lines]
 #+END_SRC
 
-Visualisation des premières colonnes du tableau : 
+On visualise les valeurs du tableau : 
 
 #+BEGIN_SRC python :results value :session  
 table[:5]
@@ -88,7 +92,7 @@ table[:5]
 Dans cette partie on convertit les données dans des formats qui
 permettront de traiter les données plus facilement.
 
-** Converstion des string en valeurs numériques. 
+** Converstion des /string/ en valeurs numériques. 
 Les données dans ~table~ sont des string. On va convertir la première
 colonne en objets ~datetime~ de Python, et la deuxième colonne en
 ~float~.
@@ -204,7 +208,7 @@ module =numpy= et l'on affiche les résultats avec =matplotlib=.
 Sur ce graphique on peut voir l'ensemble du spectre des mesures. On
 remarque quelques pics qui devraient correpondre au phénomène
 périodique. On tentera de caractériser plus précisément ses pics.
-** FFT zoom
+** /Zoom/ sur le spectre du signal 
 
 On effectue un zoom sur la partie positive du graphique pour tenter de
 caractériser les différentes fréquences d'oscillations du signal.
@@ -261,7 +265,7 @@ dans le spectre pour éliminer la contribution lente dans le signal.
 #+RESULTS:
 [[file:smallOsillations.png]]
 
-** Reconstruction du du phénomène périodique
+** Reconstruction du phénomène périodique
 L'objectif est de déterminer l'amplitude des oscillations en prenant
 en compte toutes les mesures et non pas juste sur une fenêtre
 d'observation comme on l'a fait précédemment.
@@ -327,7 +331,7 @@ toutes les valeurs inférieures au seuil établit précédemment.
 #+RESULTS:
 [[file:bigOsillations.png]]
 
-** Reconstruction du signal : contribution lente
+** Reconstruction de la contribution lente du signal
 
 Finalement on reconstruit le signal temporel puis l'on affiche afin de
 mieux le caractériser.