Intelligence artificielle · Chapitre 14 · Cours 01

Comprendre les différents types de données

Avant de demander à une intelligence artificielle d’analyser un fichier, il faut savoir ce que contiennent réellement ses données. Nombres, catégories, dates, textes, images : chaque type possède ses caractéristiques et nécessite des traitements adaptés. Ce cours vous apprend à les reconnaître, les classer et éviter les erreurs d’interprétation.

À la fin de ce cours, vous saurez :

  • Définir une donnée, une variable et une observation.
  • Distinguer les données qualitatives et quantitatives.
  • Reconnaître les variables nominales, ordinales, discrètes et continues.
  • Différencier les données structurées, semi-structurées et non structurées.
  • Identifier les formats numériques, textuels et temporels.
  • Comprendre pourquoi un identifiant numérique n’est pas une quantité.
  • Choisir des traitements statistiques adaptés.
  • Repérer les erreurs de typage et les valeurs manquantes.
  • Utiliser l’IA pour préparer une classification de variables.
  • Contrôler cette classification avant toute analyse.
Prérequis

Aucune connaissance avancée en statistiques ou programmation n’est nécessaire. Savoir lire un tableau et effectuer des calculs simples suffit.

1. Qu’est-ce qu’une donnée ?

Une donnée est une information représentée sous une forme permettant de la conserver, de la communiquer ou de la traiter.

Elle peut correspondre à un nombre, une catégorie, une date, un texte, une image, un son ou une mesure.

Exemple : une commande commerciale

Une entreprise enregistre les informations suivantes :

  • Numéro de commande : C125.
  • Date : 05/11/2026.
  • Produit : ordinateur portable.
  • Quantité : 3.
  • Prix unitaire : 650 €.
  • Statut : expédiée.

Chaque élément constitue une donnée. Ensemble, ils décrivent une commande.

Observation, variable et valeur

Dans un tableau de données :

  • Une observation correspond généralement à une ligne décrivant un élément étudié.
  • Une variable correspond à une caractéristique observée, souvent représentée par une colonne.
  • Une valeur est le contenu d’une variable pour une observation donnée.
CommandeQuantitéStatut
C1253Expédiée
C1265En attente
C1272Livrée

Ce tableau contient trois observations et trois variables. La valeur 5 est celle de la variable « Quantité » pour la commande C126.

2. Les deux grandes familles de variables

En statistique descriptive, on distingue principalement les variables qualitatives et quantitatives.

Variables qualitatives

Elles décrivent une catégorie, un état ou une caractéristique. Exemples : couleur, statut, service, niveau de satisfaction.

Variables quantitatives

Elles représentent une quantité ou une mesure numérique. Exemples : nombre de commandes, montant, poids, durée.

Une distinction essentielle

Une valeur écrite avec des chiffres n’est pas nécessairement quantitative. Un code postal, un numéro de téléphone ou un identifiant client ne représente pas une quantité mesurable.

3. Les variables qualitatives nominales

Une variable qualitative nominale classe les observations dans des catégories sans ordre naturel.

Exemples

  • Couleur d’un produit : rouge, bleu, vert.
  • Mode de paiement : carte, virement, espèces.
  • Département commercial : Nord, Sud, Est, Ouest.
  • Type de contrat : CDI, CDD, intérim.

Ces catégories permettent de compter les observations, mais pas de calculer une moyenne pertinente.

Exemple : modes de paiement

Sur 20 achats, 12 ont été réglés par carte, 5 par virement et 3 en espèces.

La fréquence du paiement par carte est :

12 / 20 × 100 = 60 %

En revanche, calculer la moyenne de « carte », « virement » et « espèces » n’a aucun sens statistique.

4. Les variables qualitatives ordinales

Une variable qualitative ordinale possède des catégories pouvant être classées dans un ordre logique.

Exemples

  • Satisfaction : très insatisfait, insatisfait, neutre, satisfait, très satisfait.
  • Priorité : faible, moyenne, élevée.
  • Niveau de maîtrise : débutant, intermédiaire, avancé.
  • Évaluation : insuffisant, acceptable, bon, excellent.

L’ordre existe, mais l’écart entre deux catégories successives n’est pas nécessairement mesurable.

Attention aux échelles codées

Attribuer les nombres 1 à 5 à des niveaux de satisfaction ne transforme pas automatiquement une variable ordinale en mesure quantitative continue. Une moyenne de scores peut être utilisée dans certains contextes avec des hypothèses explicites, mais elle doit être interprétée avec prudence.

5. Les variables quantitatives discrètes

Une variable quantitative discrète prend des valeurs distinctes, généralement issues d’un comptage.

Exemples

  • Nombre de salariés.
  • Nombre de commandes.
  • Nombre d’appels reçus.
  • Nombre de produits vendus.

Le nombre de commandes peut être 4 ou 5, mais pas 4,5 lorsqu’on compte des commandes entières.

Exemple : commandes quotidiennes

Une entreprise reçoit 8, 10, 12, 6 et 14 commandes sur cinq jours.

Total : 8 + 10 + 12 + 6 + 14 = 50 commandes.

Moyenne quotidienne : 50 / 5 = 10 commandes.

6. Les variables quantitatives continues

Une variable quantitative continue représente une grandeur pouvant théoriquement prendre toute valeur dans un intervalle, sous réserve de la précision de mesure.

Exemples

  • Durée d’une intervention.
  • Température.
  • Distance parcourue.
  • Poids d’un colis.
  • Consommation d’énergie.

Une durée peut être mesurée à 2 heures, 2,5 heures ou 2,53 heures selon la précision retenue.

Nuance sur les montants financiers

Les montants monétaires sont souvent traités comme des variables quantitatives, mais leur représentation comptable est généralement limitée à une unité minimale, comme le centime. Ils ne sont donc pas continus au sens strict dans un système d’enregistrement à deux décimales.

7. Tableau comparatif des quatre types de variables

TypeExempleOrdreCalcul pertinent
Qualitative nominaleMode de paiementNonEffectifs, fréquences, mode
Qualitative ordinaleNiveau de satisfactionOuiEffectifs, fréquences, médiane ordinale
Quantitative discrèteNombre de commandesOuiSomme, moyenne, médiane
Quantitative continueDurée d’interventionOuiMoyenne, dispersion, quantiles

8. Données structurées, semi-structurées et non structurées

Une seconde classification concerne l’organisation des informations.

Les données structurées

Elles suivent un schéma défini : colonnes, types et relations identifiables.

Exemples : table SQL, fichier CSV correctement organisé, tableau Excel.

Les données semi-structurées

Elles comportent des marqueurs ou des champs organisés, sans nécessairement respecter un tableau rectangulaire fixe.

Exemples : fichiers JSON, documents XML, journaux techniques comportant des champs.

Les données non structurées

Elles ne sont pas organisées selon un schéma tabulaire prédéfini.

Exemples : photographies, enregistrements audio, vidéos et textes libres.

OrganisationExempleTraitement fréquent
StructuréeTableau de ventesFiltres, calculs, agrégations
Semi-structuréeRéponse JSONExtraction et normalisation des champs
Non structuréeCourriel rédigé librementClassification, extraction, résumé

9. Exemple de données semi-structurées : JSON

Voici un exemple simplifié :

{ « commande »: « C125 », « client »: { « type »: « professionnel » }, « produits »: [ {« nom »: « Clavier », « quantite »: 2}, {« nom »: « Souris », « quantite »: 3} ] }

Ce document possède des clés, des objets et une liste de produits. Il n’est pas présenté comme un tableau classique, mais son organisation reste exploitable par un logiciel.

Une IA peut aider à identifier les champs et proposer leur transformation en tableau. Le résultat doit ensuite être contrôlé.

10. Les types informatiques des données

La classification statistique ne doit pas être confondue avec le type informatique utilisé pour enregistrer une valeur.

Type informatiqueExempleUsage
Entier15Comptages
Décimal12,75Mesures, montants
Chaîne de caractèresC125Codes, textes
BooléenVrai / FauxConditions
Date05/11/2026Événements calendaires
Date et heure05/11/2026 14:30Horodatage
Valeur nulleNULLAbsence de valeur dans certains systèmes

Un identifiant client « 00125 » doit souvent être conservé comme texte pour préserver ses zéros initiaux.

11. Les dates et données temporelles

Les dates méritent une attention particulière, car elles permettent de construire des séries chronologiques et de calculer des durées.

Trois notions distinctes

  • Date : 05/11/2026.
  • Heure : 14:30.
  • Durée : 2 heures et 15 minutes.

Une date et une durée ne sont pas interchangeables. Additionner deux dates n’a généralement pas de signification métier, alors que calculer leur différence peut produire une durée.

Formats internationaux

La date 05/11/2026 signifie le 5 novembre dans le format français, mais peut être interprétée comme le 11 mai dans un format américain. Le format ISO 8601, par exemple 2026-11-05, réduit cette ambiguïté.

12. Les données textuelles

Les textes peuvent contenir des informations exploitables, mais leur analyse demande souvent une étape d’interprétation.

Exemples :

  • Avis clients.
  • Réclamations.
  • Commentaires libres.
  • Courriels.
  • Descriptions de produits.

L’IA peut proposer une classification thématique, identifier des mots-clés ou extraire des éléments précis.

Exemple : commentaire client

« Le produit fonctionne bien, mais la livraison a pris du retard. »

Une analyse peut distinguer deux aspects :

  • Produit : appréciation positive.
  • Livraison : appréciation négative.

Une classification globale « positive » ou « négative » ferait perdre cette nuance.

13. Les images, sons et vidéos

Les données multimédias nécessitent des méthodes différentes des calculs classiques sur tableaux.

Images

Reconnaissance d’objets, lecture de documents, description visuelle, contrôle de qualité.

Audio

Transcription de paroles, classification sonore, analyse de conversations autorisées.

Vidéo

Analyse de séquences, détection d’événements, extraction d’informations temporelles.

Texte extrait

Transformation d’un contenu multimédia en informations structurées pour une analyse ultérieure.

Les résultats issus de la reconnaissance automatique peuvent contenir des erreurs. Leur fiabilité dépend notamment de la qualité des fichiers, du contexte et des capacités du modèle.

14. Données personnelles et données sensibles

Une donnée personnelle concerne une personne physique identifiée ou identifiable, directement ou indirectement.

Exemples :

  • Nom associé à une personne.
  • Adresse électronique nominative.
  • Numéro de téléphone personnel.
  • Identifiant permettant de retrouver une personne.

Le RGPD prévoit également des catégories particulières de données personnelles bénéficiant d’une protection renforcée, notamment les données relatives à la santé ou les données biométriques traitées pour identifier une personne de manière unique.

Précaution avant d’utiliser une IA

Vérifiez la base juridique, les finalités, les autorisations et les conditions de traitement. La pseudonymisation réduit certains risques mais ne rend pas automatiquement les données anonymes.

15. Comprendre les valeurs manquantes

Une valeur manquante signifie qu’une information attendue n’est pas disponible.

Elle peut être représentée par :

  • Une cellule vide.
  • NULL dans certains systèmes.
  • NA ou NaN selon les logiciels.
  • Une mention explicite comme « Non renseigné ».

Attention : une valeur égale à zéro n’est pas nécessairement manquante.

Exemple : nombre de réclamations

0 réclamation signifie qu’aucune réclamation n’a été enregistrée pour l’observation considérée.

Une cellule vide peut signifier que l’information n’a pas été renseignée.

Remplacer systématiquement les cellules vides par zéro pourrait donc fausser l’analyse.

16. Identifier les erreurs de typage

Une erreur de typage survient lorsqu’une valeur est interprétée ou enregistrée sous un type inadapté.

ValeurErreur possibleConséquence
00125Convertie en nombre 125Perte des zéros initiaux
12,50Interprétée comme texteCalcul impossible ou incorrect
05/11/2026Date inverséeAnalyse temporelle faussée
« 1 » = priorité faibleTraité comme quantitéMoyenne potentiellement trompeuse
Cellule videRemplacée par zéroStatistique biaisée

17. Choisir les analyses selon le type de variable

Le type de variable influence directement les méthodes statistiques pertinentes.

VariableAnalyses adaptéesÀ éviter
NominaleEffectifs, fréquences, modeMoyenne de codes arbitraires
OrdinaleClassements, fréquences, médianeSupposer des écarts égaux sans justification
QuantitativeSomme si pertinente, moyenne, dispersionIgnorer unités et valeurs atypiques
TemporelleÉvolution, durées, saisonnalitéIgnorer le format et les fuseaux horaires
TextuelleThèmes, catégories, extractionConsidérer une interprétation IA comme un fait certain

18. Méthode pour classifier un nouveau jeu de données

1
Identifier l’unité d’observation

Déterminer ce que représente chaque ligne : commande, client, produit, événement ou mesure.

2
Lire les noms et définitions des colonnes

Ne pas déduire le sens d’une variable uniquement à partir de son format apparent.

3
Examiner des valeurs représentatives

Identifier les catégories, unités, codes, nombres, dates et valeurs manquantes.

4
Déterminer le type statistique

Nominal, ordinal, quantitatif discret ou continu, selon la signification de la variable.

5
Vérifier le type informatique

Contrôler les formats numériques, textuels et temporels.

6
Documenter la classification

Créer un dictionnaire de données indiquant le nom, la définition, le type, l’unité et les règles de validation.

19. Utiliser l’IA pour préparer la classification

L’IA peut accélérer le repérage initial des variables. Il faut cependant lui fournir suffisamment de contexte pour éviter les mauvaises interprétations.

Prompt réutilisable

Tu es assistant en analyse de données. Je vais te fournir la description des colonnes d’un tableau. Pour chaque colonne, indique : 1. Sa signification probable. 2. Son type statistique. 3. Son type informatique conseillé. 4. Les analyses pertinentes. 5. Les erreurs de typage possibles. 6. Les informations manquantes pour confirmer la classification. Ne considère pas automatiquement qu’une valeur numérique est une variable quantitative. Signale les ambiguïtés. N’invente pas de définition métier. Présente le résultat sous forme de tableau. Colonnes : [Insérer les noms, descriptions et quelques valeurs fictives.]

20. Vérifier les propositions de l’IA

Une IA peut commettre plusieurs erreurs de classification :

  • Interpréter un numéro de client comme une quantité.
  • Considérer une échelle de satisfaction comme une mesure continue.
  • Confondre une date avec une chaîne de caractères.
  • Ignorer les unités.
  • Supposer qu’une colonne vide signifie zéro.

La vérification doit s’appuyer sur la définition métier de chaque colonne, et pas seulement sur la réponse générée.

21. Cas pratique complet — Analyser un fichier de commandes

Une entreprise souhaite préparer un fichier pour analyser son activité commerciale.

Jeu de données fictif

CommandeDateCanalArticlesMontant HTSatisfaction
0010102/11/2026Web3120 €Élevée
0010202/11/2026Magasin145 €Moyenne
0010303/11/2026Web280 €Élevée
0010404/11/2026Téléphone4160 €Faible
0010504/11/2026Web295 €Non renseignée

Étape A — Identifier les variables

ColonneType statistique ou rôleFormat conseillé
CommandeIdentifiant, catégorie nominaleTexte
DateVariable temporelleDate
CanalQualitative nominaleTexte ou catégorie
ArticlesQuantitative discrèteEntier
Montant HTQuantitative monétaireDécimal monétaire
SatisfactionQualitative ordinaleCatégorie ordonnée

Étape B — Calculer les premiers indicateurs

Nombre de commandes : 5.

Nombre total d’articles : 3 + 1 + 2 + 4 + 2 = 12.

Montant total HT : 120 + 45 + 80 + 160 + 95 = 500 €.

Montant moyen par commande : 500 / 5 = 100 € HT.

Nombre de commandes Web : 3.

Part du canal Web en nombre : 3 / 5 × 100 = 60 %.

Étape C — Analyser la satisfaction

Les réponses sont :

  • Élevée : 2.
  • Moyenne : 1.
  • Faible : 1.
  • Non renseignée : 1.

Le taux de réponses renseignées est :

4 / 5 × 100 = 80 %.

Parmi les quatre réponses renseignées, la proportion de satisfaction élevée est :

2 / 4 × 100 = 50 %.

Erreur à éviter

Il ne faut pas annoncer que 50 % de toutes les commandes présentent une satisfaction élevée. Ce pourcentage porte uniquement sur les quatre réponses renseignées. Sur l’ensemble des cinq commandes, la proportion observée est de 40 %.

Étape D — Formuler une synthèse

Correction professionnelle

Le fichier comprend cinq commandes totalisant 12 articles et 500 € HT. Le montant moyen par commande est de 100 € HT.

Le canal Web représente trois commandes, soit 60 % du nombre total de commandes.

La satisfaction est renseignée pour quatre commandes sur cinq. Parmi ces réponses, deux correspondent à un niveau élevé.

La taille réduite de l’échantillon ne permet pas de généraliser ces observations à l’ensemble de l’activité commerciale.

Étape E — Contrôler le résultat

  • Les cinq identifiants sont distincts.
  • Les zéros initiaux sont préservés.
  • Les dates sont interprétées au format français.
  • Les montants sont exprimés en euros HT.
  • La valeur « Non renseignée » n’est pas assimilée à « Faible ».
  • Les pourcentages précisent leur dénominateur.
  • Aucune tendance temporelle n’est déduite de cinq commandes.
Résultat du cas pratique

Le jeu de données est classifié, les indicateurs élémentaires sont calculés et les principales précautions d’interprétation sont identifiées. Il peut maintenant servir de base aux cours consacrés au CSV, au nettoyage et aux analyses statistiques.

22. Erreurs fréquentes et bonnes pratiques

ErreurBonne pratique
Confondre code et quantitéExaminer la signification métier
Faire une moyenne de catégoriesChoisir un indicateur adapté
Ignorer les valeurs manquantesDéfinir leur traitement
Confondre date et texteContrôler le format
Oublier les unitésDocumenter euros, kg, heures, etc.
Généraliser un petit échantillonPréciser les limites
Suivre aveuglément l’IAVérifier avec un dictionnaire de données

23. Vérifiez votre compréhension

Question 1 — Classification

Le numéro de téléphone 0612345678 est-il une variable quantitative ?

Afficher la correction
Non. C’est un identifiant représenté par des chiffres. Il doit être traité comme une chaîne de caractères, pas comme une quantité.
Question 2 — Type ordinal

Une priorité « faible, moyenne, élevée » correspond à quel type de variable ?

Afficher la correction
Une variable qualitative ordinale, car les catégories possèdent un ordre naturel.
Question 3 — Comptage

Le nombre de commandes reçues par jour est-il discret ou continu ?

Afficher la correction
Discret, car il s’agit d’un comptage prenant des valeurs entières.
Question 4 — Valeur manquante

Une cellule vide dans la colonne « Nombre de réclamations » signifie-t-elle forcément zéro ?

Afficher la correction
Non. Elle peut indiquer une absence d’information. Il faut connaître la règle de saisie avant de la remplacer par zéro.
Question 5 — Pourcentage

Sur 10 questionnaires, 8 sont renseignés et 6 indiquent une satisfaction élevée. Quel est le taux de satisfaction élevée parmi les réponses renseignées ?

Afficher la correction
6 / 8 × 100 = 75 %. Sur l’ensemble des dix questionnaires, la proportion observée est de 60 %. Le dénominateur doit être précisé.

24. Questions fréquentes

1. Qu’est-ce qu’une donnée ?

Une information représentée sous une forme permettant son enregistrement ou son traitement.

2. Qu’est-ce qu’une variable ?

Une caractéristique observée ou mesurée pour les éléments d’un jeu de données.

3. Qu’est-ce qu’une observation ?

Un élément étudié, généralement représenté par une ligne dans un tableau.

4. Quelle différence entre qualitatif et quantitatif ?

Le qualitatif décrit des catégories ; le quantitatif représente des quantités ou des mesures.

5. Qu’est-ce qu’une variable nominale ?

Une variable qualitative dont les catégories n’ont pas d’ordre naturel.

6. Qu’est-ce qu’une variable ordinale ?

Une variable qualitative dont les catégories peuvent être classées.

7. Qu’est-ce qu’une variable discrète ?

Une variable quantitative prenant des valeurs distinctes, souvent issues d’un comptage.

8. Qu’est-ce qu’une variable continue ?

Une variable quantitative pouvant théoriquement prendre toute valeur dans un intervalle.

9. Un code postal est-il quantitatif ?

Non. Il sert à identifier une zone géographique, même s’il est composé de chiffres.

10. Une note de satisfaction de 1 à 5 est-elle quantitative ?

Pas nécessairement. Elle peut représenter une échelle ordinale codée numériquement.

11. Qu’est-ce qu’une donnée structurée ?

Une donnée organisée selon un schéma défini, comme un tableau de base de données.

12. Qu’est-ce qu’une donnée semi-structurée ?

Une donnée possédant une organisation explicite, comme un document JSON.

13. Qu’est-ce qu’une donnée non structurée ?

Un contenu sans organisation tabulaire prédéfinie, comme une image ou un texte libre.

14. Pourquoi conserver les identifiants en texte ?

Pour préserver leur format et éviter les calculs ou conversions inappropriés.

15. Quelle différence entre zéro et valeur manquante ?

Zéro est une valeur connue ; une valeur manquante signifie que l’information n’est pas disponible.

16. Pourquoi les dates posent-elles problème ?

Leurs formats peuvent être ambigus et leur interprétation dépend du contexte.

17. Peut-on calculer une moyenne sur des catégories ?

Pas sur des catégories nominales. Pour certaines échelles ordinales codées, une moyenne est parfois utilisée sous hypothèses explicites.

18. L’IA peut-elle reconnaître les types de données ?

Elle peut proposer une classification, mais celle-ci doit être validée à partir du sens métier.

19. Qu’est-ce qu’un dictionnaire de données ?

Un document décrivant les variables, leur signification, leur format et leurs règles de validation.

20. Pourquoi classifier les données avant l’analyse ?

Pour choisir les traitements pertinents, éviter les erreurs et interpréter correctement les résultats.

25. Glossaire — 25 termes essentiels

TermeDéfinition
1. DonnéeInformation enregistrable ou traitable.
2. Jeu de donnéesEnsemble organisé d’informations.
3. ObservationÉlément décrit par des variables.
4. VariableCaractéristique observée ou mesurée.
5. ValeurContenu d’une variable pour une observation.
6. QualitativeVariable décrivant des catégories.
7. QuantitativeVariable représentant une quantité ou mesure.
8. NominaleVariable qualitative sans ordre naturel.
9. OrdinaleVariable qualitative avec ordre naturel.
10. DiscrèteVariable quantitative à valeurs distinctes.
11. ContinueVariable quantitative mesurable sur un intervalle.
12. Donnée structuréeInformation organisée selon un schéma défini.
13. Donnée semi-structuréeInformation avec organisation partielle ou flexible.
14. Donnée non structuréeContenu sans schéma tabulaire prédéfini.
15. IdentifiantCode permettant de distinguer un élément.
16. Chaîne de caractèresSuite de caractères traitée comme texte.
17. EntierNombre sans partie décimale.
18. DécimalNombre comportant une partie fractionnaire.
19. BooléenValeur logique vraie ou fausse.
20. HorodatageIndication d’une date et d’une heure.
21. Valeur manquanteInformation attendue mais indisponible.
22. TypageAttribution d’un type à une donnée.
23. FréquenceProportion d’observations d’une catégorie.
24. Dictionnaire de donnéesDocumentation des champs et de leurs règles.
25. MétadonnéeInformation décrivant une autre donnée.

26. Ressources pour approfondir

  • INSEE — Statistiques, définitions et méthodes.
  • CNIL — Protection des données personnelles.
  • data.gouv.fr — Jeux de données publiques.
  • Microsoft Excel — Manipulation et analyse de données.
  • W3C — DCAT — Description et catalogage des jeux de données.

À retenir

  • Une donnée doit être comprise avant d’être analysée.
  • Une variable qualitative décrit une catégorie ; une variable quantitative représente une quantité ou une mesure.
  • Les variables qualitatives peuvent être nominales ou ordinales.
  • Les variables quantitatives peuvent être discrètes ou continues.
  • Un identifiant numérique n’est pas nécessairement une variable quantitative.
  • Le type statistique et le type informatique sont deux notions distinctes.
  • Les données peuvent être structurées, semi-structurées ou non structurées.
  • Les valeurs manquantes ne doivent pas être assimilées automatiquement à zéro.
  • Les formats de dates, les unités et les codes doivent être vérifiés.
  • L’IA peut proposer une classification, mais le sens métier reste déterminant.
  • Le choix des analyses dépend du type de variable.
  • Un dictionnaire de données facilite les contrôles et la réutilisation.
Prochain cours — 02 Préparer un fichier CSV →

Apprenez à structurer un fichier CSV, choisir le séparateur et l’encodage, puis préparer des données fiables pour leur importation et leur analyse.

Mise en pratique

Entraînez-vous sur ce cours

Identifiez les types de variables, distinguez données structurées et non structurées, repérez les erreurs de typage et choisissez les analyses appropriées.

15 exercices par cours Progression pédagogique Corrections détaillées
Accéder aux exercices →