Tutographie.md

@@ -18,7 +18,15 @@ Mention spéciale : une semaine sur Numpy et Pandas, une dernière semaine "Suje
 "Apprendre à coder avec Python" (ULB) : c'est... pour apprendre à coder, et un bagage mathématique de niveau Lycée doit suffire. Ce MOOC intègre énormément d'exercices "obligatoires" pour valider le parcours, très formateurs mais aussi très consommateurs de temps. Le "projet" proposé est en revanche très sympathique, mais plutôt comme "loisir" (reproduire un Tableau de Vasarely ; dommage que le module choisi est Turtle et non pas Matplotlib...). 
 Mention spéciale : mine de ressources pédagogiques, avec les exercices mais aussi la démonstration du site [Python Tutor](http://pythontutor.com/), qui est vraiment une adresse fabuleuse pour comprendre la vie des objets Python (copies superficielles ou profondes, espaces de nommage, portée des variables...), ou les expliquer...
 
-"Machine learning in python with scikit-learn" : tuto plutôt d'application que d'explication des réseaux neuronaux, il permet aussi de se former à Seaborn par la pratique.
+"Machine learning in python with scikit-learn" de l'INRIA : formation basée sur l'application de méthodes déjà codées dans Scikit, elle permet aussi de se former à Seaborn par la pratique.
+Si vous avez l'opportunité de tomber sur une session active (via FUN MOOC par exemple), jetez-ici un oeil, sinon voir le [site scipy](http://scipy-lectures.org/) ; voir ci dessous un résumé et "liens utiles" trouvés dans ce Mooc.
+
+Ce Mooc, indépendamment de son contenu principal MachineLearning, offre plusieurs ressources intéressantes dans un contexte plus large: 
+- des liens vers des tutoriels de débutant à intermédiaire (on notera le mélange de docs officielle et blogs, assez représentatif des ressources utiles):
+     - "scipy lectures" [initiation à Python](https://scipy-lectures.org/intro/language/python_language.html):  types, structures de contrôles (boucles et tests), fonctions, scripts et modules, I/O, bibliothèque standard, les exceptions
+     - :snake: blog [Scientific Computing in Python: Introduction to NumPy and Matplotlib](https://sebastianraschka.com/blog/2020/numpy-intro.html), :chart_with_upwards_trend:  la [partie matploblib étant ici](https://sebastianraschka.com/blog/2020/numpy-intro.html#410-matplotlib)
+     - :pandas: doc de pandas [10 minutes to pandas](https://pandas.pydata.org/docs/user_guide/10min.html)
+- des exercices d'analyse de données utilisant le module de visualisation **seaborn**  qui est un wrapper de matplotilib :chart_with_upwards_trend: :ocean: : il permet de construire rapidement des graphiques de bonne qualité selon la "Grammar of Graphics" (cf ggplots de R). La syntaxe est bien expliquée, et les exercices permettent de s'entraîner. 
 
 - COURS universitaires
 
@@ -48,15 +56,7 @@ Une offre de cours très complète,mais payante. Le site propose parfois un acc
 
 - Conférences et tutos de "DataScience"
 C'est un sujet à la mode, vous trouverez donc beaucoup de ressources traitant d'analyse de données.
-
-voir par exemple le MOOC Machine Learning ou [site scipy](http://scipy-lectures.org/)
-
-Ce Mooc, indépendamment de son contenu principal MachineLearning, offre plusieurs ressources intéressantes dans un contexte plus large: 
-- des liens vers des tutoriels de débutant à intermédiaire (on notera le mélange de docs officielle et blogs, assez représentatif des ressources utiles):
-     - "scipy lectures" [initiation à Python](https://scipy-lectures.org/intro/language/python_language.html):  types, structures de contrôles (boucles et tests), fonctions, scripts et modules, I/O, bibliothèque standard, les exceptions
-     - :snake: blog [Scientific Computing in Python: Introduction to NumPy and Matplotlib](https://sebastianraschka.com/blog/2020/numpy-intro.html), :chart_with_upwards_trend:  la [partie matploblib étant ici](https://sebastianraschka.com/blog/2020/numpy-intro.html#410-matplotlib)
-     - :pandas: doc de pandas [10 minutes to pandas](https://pandas.pydata.org/docs/user_guide/10min.html)
-- des exercices d'analyse de données utilisant le module de visualisation **seaborn**  qui est un wrapper de matplotilib :chart_with_upwards_trend: :ocean: : il permet de construire rapidement des graphiques de bonne qualité selon la "Grammar of Graphics" (cf ggplots de R). La syntaxe est bien expliquée, et les exercices permettent de s'entraîner. 
+Voir par exemple le site [scipy-lectures](scipy-lectures.org), déjà évoqué plus haut avec le MOOC Scipy pour le Machine Learning.
 
 
 Une référence, bien qu'un peu datée : le [livre de J. VanderPlas aux éditions O'Reilly](https://jakevdp.github.io/PythonDataScienceHandbook/), disponible sous licence CC-BY-NC-ND license.