diff --git a/module3/exo3/exercice.ipynb b/module3/exo3/exercice.ipynb
index be81f5569364b2afa2b01d69dfecba7f3db56a91..6d0aa2601495b739d7766380ea5507e6b627afff 100644
--- a/module3/exo3/exercice.ipynb
+++ b/module3/exo3/exercice.ipynb
@@ -9,7 +9,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 3,
+   "execution_count": 1,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -22,7 +22,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 4,
+   "execution_count": 2,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -32,7 +32,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 5,
+   "execution_count": 3,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -47,7 +47,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 6,
+   "execution_count": 4,
    "metadata": {},
    "outputs": [
     {
@@ -73,7 +73,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 7,
+   "execution_count": 5,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -83,7 +83,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 8,
+   "execution_count": 6,
    "metadata": {},
    "outputs": [
     {
@@ -113,7 +113,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 9,
+   "execution_count": 39,
    "metadata": {},
    "outputs": [
     {
@@ -130,7 +130,7 @@
     }
    ],
    "source": [
-    "# Réalisation du graphique pour montrer l'oscillation (300 dernières lignes du tableau)\n",
+    "# Réalisation du graphique complet. Réalisation du graphique pour montrer l'oscillation (300 dernières lignes du tableau)\n",
     "plt.figure(figsize=(15, 6))\n",
     "plt.plot(data['Date'][-300:], data['Concentration'][-300:], label='CO2 Concentration')\n",
     "plt.title('CO2 Concentration Over Time')\n",
@@ -143,7 +143,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 10,
+   "execution_count": 8,
    "metadata": {},
    "outputs": [
     {
@@ -169,7 +169,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 11,
+   "execution_count": 9,
    "metadata": {},
    "outputs": [
     {
@@ -193,7 +193,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 12,
+   "execution_count": 38,
    "metadata": {},
    "outputs": [
     {
@@ -210,7 +210,7 @@
     }
    ],
    "source": [
-    "# Création du graphique pour montrer la concentration moyenne de CO2 par an au fil du temps\n",
+    "# Contribution lente. Création du graphique pour montrer la concentration moyenne de CO2 par an au fil du temps\n",
     "plt.figure(figsize=(10, 6))\n",
     "plt.plot(data['Date'], data['Mean_CO2_Concentration'], label='Mean CO2 Concentration per Year Over Time')\n",
     "plt.title('Mean CO2 Concentration per Year Over Time')\n",
@@ -222,7 +222,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 13,
+   "execution_count": 11,
    "metadata": {},
    "outputs": [
     {
@@ -246,7 +246,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 14,
+   "execution_count": 41,
    "metadata": {},
    "outputs": [
     {
@@ -263,7 +263,7 @@
     }
    ],
    "source": [
-    "# Création du graphique pour montrer l'oscillation de la concentration de CO2 par an au fil du temps\n",
+    "# Oscillation périodique. Création du graphique pour montrer l'oscillation de la concentration de CO2 au fil du temps\n",
     "plt.figure(figsize=(10, 6))\n",
     "plt.plot(data['Date'], data['Oscilation'], label='Oscilation CO2 Concentration Over Time')\n",
     "plt.title('Oscilation CO2 Concentration Over Time')\n",
@@ -275,7 +275,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 15,
+   "execution_count": 43,
    "metadata": {},
    "outputs": [
     {
@@ -292,7 +292,7 @@
     }
    ],
    "source": [
-    "# Création du graphique pour montrer l'oscillation de la concentration de CO2 par an au fil du temps (300 dernières lignes du tableau)\n",
+    "# Oscillation périodique. Création du graphique pour montrer l'oscillation de la concentration de CO2 au fil du temps (300 dernières lignes du tableau)\n",
     "plt.figure(figsize=(10, 6))\n",
     "plt.plot(data['Date'][-300:], data['Oscilation'][-300:], label='Oscilation CO2 Concentration Over Time')\n",
     "plt.title('Oscilation CO2 Concentration Over Time')\n",
@@ -304,18 +304,18 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 16,
+   "execution_count": 14,
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Modéliser la évolution lente pour extrapolation jusqu’en 2025\n",
+    "# Contribution lente. Modéliser la évolution lente pour extrapolation jusqu’en 2025\n",
     "import numpy as np\n",
     "from sklearn.linear_model import LinearRegression"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 17,
+   "execution_count": 44,
    "metadata": {},
    "outputs": [
     {
@@ -331,7 +331,7 @@
     }
    ],
    "source": [
-    "# Modéliser une évolution lente en utilisant la régression linéaire\n",
+    "# Contribution lente. Modéliser une évolution lente en utilisant la régression linéaire\n",
     "X = np.arange(len(data)).reshape(-1, 1)  # Variable indépendante : nombre de semaines\n",
     "y = data['Mean_CO2_Concentration'].values.reshape(-1, 1) # Variable dépendante : concentration de CO2\n",
     "\n",
@@ -362,7 +362,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 34,
+   "execution_count": 45,
    "metadata": {},
    "outputs": [
     {
@@ -374,7 +374,7 @@
     }
    ],
    "source": [
-    "# Caractériser l’oscillation\n",
+    "# Oscillation périodique. Caractériser l’oscillation\n",
     "import numpy as np\n",
     "# from scipy.fft import fft \n",
     "# fft de scipy.fft, a des problèmes de chargement, il se peut que nous utilisions une version de SciPy antérieure à 1.4.0. La fonction fft a été ajoutée dans SciPy version 1.4.0.\n",
@@ -384,7 +384,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 35,
+   "execution_count": 17,
    "metadata": {},
    "outputs": [
     {
@@ -406,7 +406,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 36,
+   "execution_count": 46,
    "metadata": {},
    "outputs": [
     {
@@ -419,7 +419,7 @@
     }
    ],
    "source": [
-    "# Calculer la transformée de Fourier de la série chronologique des anomalies CO2\n",
+    "# Oscillation périodique. Calculer la transformée de Fourier de la série chronologique des anomalies CO2\n",
     "co2_anomaly_fft = np.fft.fft(data['Oscilation'])\n",
     "\n",
     "# Calculer les fréquences correspondant aux composantes de Fourier\n",
@@ -437,25 +437,25 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 38,
+   "execution_count": 47,
    "metadata": {},
    "outputs": [
     {
      "name": "stdout",
      "output_type": "stream",
      "text": [
-      "Comment caractériser l'oscillation en calculant la transformée de Fourier donne des valeurs pas faciles à comprendre a priori, une autre manière est choisie pour caractériser l'oscillation\n"
+      "Comment caractériser l'oscillation périodique en calculant la transformée de Fourier donne des valeurs pas faciles à comprendre a priori, une autre manière est choisie pour caractériser l'oscillation\n"
      ]
     }
    ],
    "source": [
     "# Comment caractériser l'oscillation en calculant la transformée de Fourier donne des valeurs pas faciles à comprendre a priori, une autre manière est choisie pour caractériser l'oscillation\n",
-    "print(\"Comment caractériser l'oscillation en calculant la transformée de Fourier donne des valeurs pas faciles à comprendre a priori, une autre manière est choisie pour caractériser l'oscillation\")"
+    "print(\"Comment caractériser l'oscillation périodique en calculant la transformée de Fourier donne des valeurs pas faciles à comprendre a priori, une autre manière est choisie pour caractériser l'oscillation\")"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 22,
+   "execution_count": 48,
    "metadata": {},
    "outputs": [
     {
@@ -472,7 +472,7 @@
     }
    ],
    "source": [
-    "# Création du graphique pour montrer l'oscillation de la concentration de CO2 par an au fil du temps (300 dernières lignes du tableau)\n",
+    "# Oscillation périodique. Création du graphique pour montrer l'oscillation de la concentration de CO2 au fil du temps (300 dernières lignes du tableau)\n",
     "plt.figure(figsize=(10, 6))\n",
     "plt.plot(data['Date'][-300:], data['Oscilation'][-300:], label='Oscilation CO2 Concentration Over Time')\n",
     "plt.title('Oscilation CO2 Concentration Over Time')\n",
@@ -484,7 +484,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 39,
+   "execution_count": 24,
    "metadata": {},
    "outputs": [
     {
@@ -492,22 +492,24 @@
      "output_type": "stream",
      "text": [
       "Maximum oscillation amplitude in CO2 anomalies: 4.419807692307586 ppm\n",
-      "Minimum oscillation amplitude in CO2 anomalies: -4.191923076923047 ppm\n"
+      "Minimum oscillation amplitude in CO2 anomalies: -4.191923076923047 ppm\n",
+      "From the graph it is observed that maximum oscillation values around 3 ppm are frequent and the same is true for minimum oscillation values around -3 ppm\n"
      ]
     }
    ],
    "source": [
-    "# Calculez la valeur maximale et minimale de la colonne 'Oscillation'\n",
+    "# Oscillation périodique. Calculez la valeur maximale et minimale de la colonne 'Oscillation'\n",
     "maximum_value = data['Oscilation'].max()\n",
     "minimum_value = data['Oscilation'].min()\n",
     "\n",
     "print(\"Maximum oscillation amplitude in CO2 anomalies:\", maximum_value, \"ppm\")\n",
-    "print(\"Minimum oscillation amplitude in CO2 anomalies:\", minimum_value, \"ppm\")"
+    "print(\"Minimum oscillation amplitude in CO2 anomalies:\", minimum_value, \"ppm\")\n",
+    "print(\"From the graph it is observed that maximum oscillation values around 3 ppm are frequent and the same is true for minimum oscillation values around -3 ppm\")"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 40,
+   "execution_count": 49,
    "metadata": {},
    "outputs": [
     {
@@ -519,7 +521,7 @@
     }
    ],
    "source": [
-    "# Trouver les indices où la concentration est égale à zéro\n",
+    "# Oscillation périodique. Trouver les indices où la concentration est égale à zéro\n",
     "zero_indices = data.index[data['Oscilation'] == 0].tolist()\n",
     "\n",
     "# Calculer les temps entre deux passages à zéro consécutifs\n",
@@ -537,7 +539,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 41,
+   "execution_count": 50,
    "metadata": {},
    "outputs": [
     {
@@ -549,7 +551,7 @@
     }
    ],
    "source": [
-    "# Identifier les passages à zéro\n",
+    "# Oscillation périodique. Identifier les passages à zéro\n",
     "crosses_by_zero = (data['Oscilation'] * data['Oscilation'].shift(1) < 0) & (data['Oscilation'] != 0) # Série booléenne qui contient True dans les lignes où un passage à zéro se produit dans la colonne « Oscilation » du DataFrame et False dans les autres lignes. Cette série est ensuite utilisée pour filtrer le DataFrame et obtenir les lignes qui correspondent aux passages par zéro\n",
     "\n",
     "# Filtrer les lignes contenant des passages à zéro\n",
@@ -577,7 +579,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 19,
+   "execution_count": 27,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -590,7 +592,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 20,
+   "execution_count": 28,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -605,7 +607,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 21,
+   "execution_count": 29,
    "metadata": {},
    "outputs": [
     {
@@ -635,7 +637,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 22,
+   "execution_count": 30,
    "metadata": {},
    "outputs": [
     {
@@ -665,7 +667,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 23,
+   "execution_count": 31,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -687,7 +689,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 24,
+   "execution_count": 32,
    "metadata": {},
    "outputs": [
     {
@@ -717,7 +719,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 25,
+   "execution_count": 33,
    "metadata": {},
    "outputs": [
     {
@@ -747,7 +749,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 26,
+   "execution_count": 34,
    "metadata": {},
    "outputs": [
     {
@@ -776,7 +778,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 27,
+   "execution_count": 35,
    "metadata": {},
    "outputs": [
     {
@@ -805,7 +807,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 28,
+   "execution_count": 36,
    "metadata": {},
    "outputs": [
     {
@@ -834,7 +836,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 29,
+   "execution_count": 37,
    "metadata": {},
    "outputs": [
     {
@@ -875,6 +877,20 @@
    "outputs": [],
    "source": []
   },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
   {
    "cell_type": "code",
    "execution_count": null,