diff --git a/notebooks/data-vizualisation/seaborn.ipynb b/notebooks/data-vizualisation/seaborn.ipynb
index f4408eb6de2599c6a35f5f8b1c8bb7f28954ed15..c292a1283a09ed3f4c5d78d3461d3f892d7bad05 100644
--- a/notebooks/data-vizualisation/seaborn.ipynb
+++ b/notebooks/data-vizualisation/seaborn.ipynb
@@ -84,13 +84,15 @@
    "outputs": [],
    "source": [
     "# figure size, title and axe labels thanks to matplolib\n",
-    "plt.figure(figsize=(16,4))\n",
+    "plt.figure(figsize=(10,5))\n",
     "plt.title(\"Relation between culmen length and depth\")\n",
     "plt.xlabel(\"Culmen length (mm)\")\n",
     "plt.ylabel(\"Culmen depth (mm)\")\n",
     "\n",
     "# draw the plot with seaborn\n",
-    "sns.scatterplot(data=df, x=\"bill_length_mm\", y=\"bill_depth_mm\", color=\"orange\")\n",
+    "sns.scatterplot(data=df, x=\"bill_length_mm\", y=\"bill_depth_mm\",\n",
+    "                palette=\"deep\", hue=\"species\", style=\"sex\")\n",
+    "\n",
     "# remove the spines (top and right by default)\n",
     "sns.despine()\n",
     "\n",
@@ -105,7 +107,16 @@
    "source": [
     "Les méthodes de *Seaborn* pour tracer des diagrammes suivent le même souci de cohérence. Elles acceptent un paramètre essentiel `data` dans lequel il faut passer les données puis, éventuellement, des paramètres `x` et `y` pour pointer quelles variables placer sur quel axe. Un quatrième paramètre `hue` détermine quelle colonne utiliser pour mettre en évidence les points de la représentation.\n",
     "\n",
-    "Il est également possible de sélectionner une couleur précise avec le parmètre `color` ou encore indiquer à *Seaborn* une palette sur laquelle se fonder avec `palette`."
+    "Il est également possible de sélectionner une couleur précise avec le parmètre `color` ou encore indiquer à *Seaborn* une palette sur laquelle se fonder avec `palette`.\n",
+    "\n",
+    "Syntaxe générique d’une méthode pour afficher un diagramme :\n",
+    "\n",
+    "```python\n",
+    "_ = sns.method(data=data_frame, x=\"column_x-axe\", y=\"column_y-axe\",\n",
+    "               hue=\"column_to_distinguish_data\")\n",
+    "```\n",
+    "\n",
+    "**Rappel :** la variable `_` est dite jetable (*throw away variable*)."
    ]
   },
   {
@@ -185,14 +196,8 @@
    "id": "c42e4953-0d7f-4a83-ba8a-e999187761a6",
    "metadata": {},
    "source": [
-    "Sans doute les plus utilisés pour représenter la répartition des effectifs d’une variable. Ils s’emploient sur des variables qualitatives ou sur des quantitatives discrètes."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "f0ced657-8e00-4f48-9d03-28c4fce4af98",
-   "metadata": {},
-   "source": [
+    "Sans doute les plus utilisés pour représenter la répartition des effectifs d’une variable. Ils s’emploient sur des variables qualitatives ou sur des quantitatives discrètes.\n",
+    "\n",
     "La méthode `.countplot()` permet d’afficher le dénombrement des effectifs d’une variable :"
    ]
   },
@@ -313,7 +318,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "_ = sns.lineplot(data=df, x=\"bill_length_mm\", y=\"flipper_length_mm\", hue=\"species\")"
+    "_ = sns.lineplot(data=df, x=\"bill_length_mm\", y=\"flipper_length_mm\")"
    ]
   },
   {