rym-oualha
3 years ago
parent
799efa6284
commit
349d30f8a3
@ -0,0 +1,114 @@
|
||||
# Techniques d'apprentissage automatique
|
||||
|
||||
Le processus de construction, d'utilisation et de maintenance des modèles d'apprentissage automatique et des données qu'ils utilisent est très différent de nombreux autres flux de travail de développement. Dans cette leçon, nous allons démystifier le processus et présenter les principales techniques que vous devez connaître. Vous allez :
|
||||
|
||||
- Comprendre les processus qui sous-tendent l'apprentissage automatique à un niveau très élevé.
|
||||
- Explorer les concepts de base tels que les "modèles", les "prédictions" et les "données d'entraînement".
|
||||
|
||||
## [Quiz de prélecture](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/7/)
|
||||
|
||||
## Introduction
|
||||
|
||||
À un niveau élevé, la création de processus d'apprentissage machine (ML) comprend un certain nombre d'étapes :
|
||||
|
||||
1. **Décider de la question**. La plupart des processus ML commencent par poser une question à laquelle un simple programme conditionnel ou un moteur à base de règles ne peut répondre. Ces questions tournent souvent autour de prédictions basées sur une collection de données.
|
||||
2. **Collecte et préparation des données**. Pour être en mesure de répondre à votre question, vous avez besoin de données. La qualité et, parfois, la quantité de vos données détermineront dans quelle mesure vous pourrez répondre à votre question initiale. La visualisation des données est un aspect important de cette phase. Cette phase comprend également la division des données en un groupe d'entraînement et un groupe de test pour construire un modèle.
|
||||
3. **Choisissez une méthode de formation**. En fonction de votre question et de la nature de vos données, vous devez choisir la méthode d'entraînement d'un modèle pour refléter au mieux vos données et faire des prédictions précises par rapport à celles-ci. C'est la partie de votre processus ML qui nécessite une expertise spécifique et, souvent, une quantité considérable d'expérimentation.
|
||||
4. **Formation du modèle**. En utilisant vos données de formation, vous utiliserez divers algorithmes pour former un modèle pour reconnaître les modèles dans les données. Le modèle peut s'appuyer sur des pondérations internes qui peuvent être ajustées pour privilégier certaines parties des données par rapport à d'autres afin de construire un meilleur modèle.
|
||||
5. **Evaluez le modèle**. Vous utilisez des données jamais vues auparavant (vos données de test) à partir de votre ensemble collecté pour voir comment le modèle se comporte.
|
||||
6. **Réglage des paramètres**. En fonction des performances de votre modèle, vous pouvez refaire le processus en utilisant différents paramètres, ou variables, qui contrôlent le comportement des algorithmes utilisés pour former le modèle.
|
||||
7. **Prédire**. Utilisez de nouvelles entrées pour tester la précision de votre modèle.
|
||||
|
||||
## Quelle question poser ?
|
||||
|
||||
Les ordinateurs sont particulièrement doués pour découvrir des modèles cachés dans les données. Cette fonctionnalité est très utile pour les chercheurs qui ont des questions sur un domaine donné auxquelles il n'est pas facile de répondre en créant un moteur de règles basé sur des conditions. Dans le cadre d'une tâche actuarielle, par exemple, un spécialiste des données pourrait être en mesure de construire des règles artisanales concernant la mortalité des fumeurs par rapport aux non-fumeurs.
|
||||
|
||||
Toutefois, lorsque de nombreuses autres variables entrent dans l'équation, un modèle ML peut s'avérer plus efficace pour prédire les taux de mortalité futurs sur la base des antécédents médicaux. Un exemple plus réjouissant pourrait être de faire des prévisions météorologiques pour le mois d'avril dans un endroit donné, sur la base de données comprenant la latitude, la longitude, le changement climatique, la proximité de l'océan, les schémas du courant-jet, etc.
|
||||
|
||||
✅ Ce [diaporama](https://www2.cisl.ucar.edu/sites/default/files/2021-10/0900%20June%2024%20Haupt_0.pdf) sur les modèles météorologiques offre une perspective historique de l'utilisation du ML dans l'analyse météorologique.
|
||||
|
||||
## Tâches préalables à la construction
|
||||
|
||||
Avant de commencer à construire votre modèle, vous devez accomplir plusieurs tâches. Pour tester votre question et formuler une hypothèse sur la base des prédictions d'un modèle, vous devez identifier et configurer plusieurs éléments.
|
||||
|
||||
### Données
|
||||
|
||||
Pour pouvoir répondre avec certitude à votre question, vous avez besoin d'une bonne quantité de données du bon type. Il y a deux choses que vous devez faire à ce stade :
|
||||
|
||||
- **Collecter des données**. En gardant à l'esprit la leçon précédente sur l'équité dans l'analyse des données, collectez vos données avec soin. Soyez conscient des sources de ces données, de tout biais inhérent qu'elles pourraient avoir, et documentez leur origine.
|
||||
- **Préparez les données**. Le processus de préparation des données comporte plusieurs étapes. Vous devrez peut-être rassembler les données et les normaliser si elles proviennent de sources diverses. Vous pouvez améliorer la qualité et la quantité des données à l'aide de diverses méthodes telles que la conversion de chaînes de caractères en nombres (comme nous le faisons dans [Clustering](../../5-Clustering/1-Visualize/README.md)). Vous pouvez également générer de nouvelles données, basées sur les données originales (comme nous le faisons dans [Classification](../../4-Classification/1-Introduction/README.md)). Vous pouvez nettoyer et modifier les données (comme nous le ferons avant la leçon [Application Web](../../3-Web-App/README.md)). Enfin, vous pouvez également avoir besoin de les rendre aléatoires et de les mélanger, en fonction de vos techniques de formation.
|
||||
|
||||
✅ Après avoir collecté et traité vos données, prenez un moment pour voir si leur forme vous permettra de répondre à la question que vous vous êtes posée. Il se peut que les données ne soient pas performantes dans votre tâche donnée, comme nous le découvrons dans nos leçons de [Clustering](../../5-Clustering/1-Visualize/README.md) !
|
||||
|
||||
### Caractéristiques et cible
|
||||
|
||||
Une [caractéristique] (https://www.datasciencecentral.com/profiles/blogs/an-introduction-to-variable-and-feature-selection) est une propriété mesurable de vos données. Dans de nombreux ensembles de données, elle est exprimée sous la forme d'un titre de colonne comme "date", "taille" ou "couleur". Votre variable caractéristique, généralement représentée par `X` dans le code, représente la variable d'entrée qui sera utilisée pour former le modèle.
|
||||
|
||||
Une cible est une chose que vous essayez de prédire. La cible, généralement représentée par `y` dans le code, représente la réponse à la question que vous essayez de poser à vos données : en décembre, quelle **couleur** de citrouille sera la moins chère ? à San Francisco, quels quartiers auront les meilleurs **prix** immobiliers ? Parfois, la cible est également appelée attribut label.
|
||||
|
||||
### Sélection de votre variable caractéristique
|
||||
|
||||
🎓 **Sélection de caractéristiques et extraction de caractéristiques** Comment savoir quelle variable choisir lors de la construction d'un modèle ? Vous passerez probablement par un processus de sélection de caractéristiques ou d'extraction de caractéristiques afin de choisir les bonnes variables pour le modèle le plus performant. Ce n'est cependant pas la même chose : "L'extraction de caractéristiques crée de nouvelles caractéristiques à partir de fonctions des caractéristiques d'origine, alors que la sélection de caractéristiques renvoie un sous-ensemble des caractéristiques." ([source](https://wikipedia.org/wiki/Feature_selection))
|
||||
|
||||
### Visualisez vos données
|
||||
|
||||
Un aspect important de la boîte à outils du data scientist est le pouvoir de visualiser les données à l'aide de plusieurs excellentes bibliothèques telles que Seaborn ou MatPlotLib. La représentation visuelle de vos données peut vous permettre de découvrir des corrélations cachées dont vous pouvez tirer parti. Vos visualisations peuvent également vous aider à découvrir des données biaisées ou déséquilibrées (comme nous le découvrons dans [Classification](../../4-Classification/2-Classifiers-1/README.md)).
|
||||
|
||||
### Divisez votre ensemble de données
|
||||
|
||||
Avant la formation, vous devez diviser votre ensemble de données en deux ou plusieurs parties de taille inégale qui représentent toujours bien les données.
|
||||
|
||||
- **Entraînement**. Cette partie de l'ensemble de données est adaptée à votre modèle pour l'entraîner. Cet ensemble constitue la majorité de l'ensemble de données original.
|
||||
- **Testing**. Un ensemble de données de test est un groupe indépendant de données, souvent recueillies à partir des données d'origine, que vous utilisez pour confirmer la performance du modèle construit.
|
||||
- **Validation**. Un ensemble de validation est un groupe indépendant plus petit d'exemples que vous utilisez pour ajuster les hyperparamètres du modèle, ou l'architecture, afin d'améliorer le modèle. En fonction de la taille de vos données et de la question que vous posez, vous n'aurez peut-être pas besoin de construire ce troisième ensemble (comme nous l'indiquons dans [Prédiction des séries temporelles](../../7-TimeSeries/1-Introduction/README.md)).
|
||||
|
||||
## Construction d'un modèle
|
||||
|
||||
À partir de vos données d'entraînement, votre objectif est de construire un modèle, ou une représentation statistique de vos données, en utilisant divers algorithmes pour **l'entraîner**. L'entraînement d'un modèle l'expose aux données et lui permet de formuler des hypothèses sur les modèles perçus qu'il découvre, valide, et accepte ou rejette.
|
||||
|
||||
### Décider d'une méthode d'entraînement
|
||||
|
||||
En fonction de votre question et de la nature de vos données, vous choisirez une méthode d'entraînement. En parcourant la [documentation de Scikit-learn] (https://scikit-learn.org/stable/user_guide.html) - que nous utilisons dans ce cours - vous pouvez explorer de nombreuses façons d'entraîner un modèle. En fonction de votre expérience, vous devrez peut-être essayer plusieurs méthodes différentes pour construire le meilleur modèle. Il est probable que vous passiez par un processus au cours duquel les spécialistes des données évaluent les performances d'un modèle en lui fournissant des données non vues, en vérifiant la précision, les biais et autres problèmes de dégradation de la qualité, et en sélectionnant la méthode d'entraînement la plus appropriée pour la tâche à accomplir.
|
||||
|
||||
### Former un modèle
|
||||
|
||||
Armé de vos données d'entraînement, vous êtes prêt à les "adapter" pour créer un modèle. Vous remarquerez que dans de nombreuses bibliothèques ML, vous trouverez le code " model.fit ". C'est à ce moment-là que vous envoyez votre variable caractéristique sous forme de tableau de valeurs (généralement " X ") et une variable cible (généralement " y ").
|
||||
|
||||
### Évaluer le modèle
|
||||
|
||||
Une fois le processus d'apprentissage terminé (l'apprentissage d'un grand modèle peut nécessiter de nombreuses itérations, ou "époques"), vous pourrez évaluer la qualité du modèle en utilisant des données de test pour mesurer ses performances. Ces données sont un sous-ensemble des données d'origine que le modèle n'a pas analysé auparavant. Vous pouvez imprimer un tableau de mesures de la qualité de votre modèle.
|
||||
|
||||
🎓 **Ajustement de modèle**
|
||||
|
||||
Dans le contexte de l'apprentissage automatique, l'ajustement du modèle fait référence à la précision de la fonction sous-jacente du modèle lorsqu'il tente d'analyser des données qui ne lui sont pas familières.
|
||||
|
||||
🎓 **L'underfitting** et le **overfitting** sont des problèmes courants qui dégradent la qualité du modèle, car le modèle s'ajuste soit pas assez bien, soit trop bien. Cela amène le modèle à faire des prédictions trop proches ou trop éloignées de ses données d'apprentissage. Un modèle surajusté prédit trop bien les données d'apprentissage car il a trop bien appris les détails et le bruit des données. Un modèle sous-adapté n'est pas précis, car il ne peut analyser avec précision ni ses données d'apprentissage ni les données qu'il n'a pas encore "vues".
|
||||
|
||||
|
||||
> Infographie par [Jen Looper](https://twitter.com/jenlooper)
|
||||
|
||||
## Réglage des paramètres
|
||||
|
||||
Une fois la formation initiale terminée, observez la qualité du modèle et envisagez de l'améliorer en modifiant ses "hyperparamètres". Pour en savoir plus sur le processus [dans la documentation] (https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters?WT.mc_id=academic-77952-leestott).
|
||||
|
||||
## Prédiction
|
||||
|
||||
C'est le moment où vous pouvez utiliser des données totalement nouvelles pour tester la précision de votre modèle. Dans un contexte de ML "appliqué", où vous construisez des ressources Web pour utiliser le modèle en production, ce processus peut impliquer la collecte de données utilisateur (une pression sur un bouton, par exemple) pour définir une variable et l'envoyer au modèle pour inférence, ou évaluation.
|
||||
|
||||
Dans ces leçons, vous découvrirez comment utiliser ces étapes pour préparer, construire, tester, évaluer et prédire - tous les gestes d'un scientifique des données et plus encore, à mesure que vous progressez dans votre voyage pour devenir un ingénieur ML " full stack ".
|
||||
|
||||
---
|
||||
|
||||
## 🚀Défi
|
||||
|
||||
Dessinez un organigramme reflétant les étapes d'un praticien de la ML. Où vous voyez-vous en ce moment dans le processus ? Où pensez-vous rencontrer des difficultés ? Qu'est-ce qui vous semble facile ?
|
||||
|
||||
## [Quiz post-lecture] (https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/8/)
|
||||
|
||||
## Révision et autoformation
|
||||
|
||||
Recherchez en ligne des interviews de scientifiques des données qui parlent de leur travail quotidien. En voici [une] (https://www.youtube.com/watch?v=Z3IjgbbCEfs).
|
||||
|
||||
## Affectation
|
||||
|
||||
[Entretien avec un scientifique des données](assignment.md)
|
||||
@ -0,0 +1,130 @@
|
||||
[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
|
||||
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
|
||||
|
||||
# L'apprentissage automatique pour les débutants - Un curriculum
|
||||
|
||||
> 🌍 Voyagez autour du monde alors que nous explorons l'apprentissage automatique par le biais des cultures du monde 🌍
|
||||
|
||||
Les Azure Cloud Advocates de Microsoft ont le plaisir de vous proposer un programme d'études de 12 semaines et 26 leçons entièrement consacrées à **l'apprentissage automatique**. Dans ce cursus, vous apprendrez ce que l'on appelle parfois **l'apprentissage automatique classique**, en utilisant principalement Scikit-learn comme bibliothèque et en évitant l'apprentissage profond, qui est couvert dans notre prochain cursus " AI for Beginners ". Associez ces leçons à notre programme ["Data Science for Beginners"] (https://aka.ms/datascience-beginners), également !
|
||||
|
||||
Voyagez avec nous autour du monde pendant que nous appliquons ces techniques classiques à des données provenant de nombreuses régions du monde. Chaque leçon comprend des quiz avant et après la leçon, des instructions écrites pour la réaliser, une solution, un devoir, etc. Notre pédagogie par projet vous permet d'apprendre tout en développant vos connaissances, un moyen reconnu pour que les nouvelles compétences " collent ".
|
||||
|
||||
**✍️ Un grand merci à nos auteurs** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan et Amy Boyd.
|
||||
|
||||
**🎨 Merci également à nos illustrateurs** Tomomi Imura, Dasani Madipalli et Jen Looper.
|
||||
|
||||
**🙏 Remerciements particuliers 🙏 à nos Microsoft Student Ambassador auteurs, vérificateurs et contribuants au contenu**, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila et Snigdha Agarwal.
|
||||
|
||||
**🤩 Remerciements supplémentaires au Microsoft Student Ambassador Eric Wanjau pour nos leçons de R!**
|
||||
|
||||
---
|
||||
|
||||
# Démarrage
|
||||
|
||||
**[Étudiants](https://aka.ms/student-page)**, pour utiliser ce programme d'études, faites un fork de l'ensemble du dépôt sur votre propre compte GitHub et effectuez les exercices seul ou avec un groupe :
|
||||
|
||||
- Commencez par un quiz de pré-lecture.
|
||||
- Lisez le cours et effectuez les activités, en faisant une pause et en réfléchissant à chaque contrôle des connaissances.
|
||||
- Essayez de créer les projets en comprenant les leçons plutôt que d'exécuter le code de la solution ; ce code est toutefois disponible dans les dossiers `/solution` de chaque leçon orientée projet.
|
||||
- Répondez au quiz post-formation.
|
||||
- Relevez le défi.
|
||||
- Effectuez le travail.
|
||||
- Après avoir terminé un groupe de leçons, visitez le [Forum de discussion] (https://github.com/microsoft/ML-For-Beginners/discussions) et " apprenez à voix haute " en remplissant la rubrique PAT appropriée. Un PAT est un outil d'évaluation de la progression. Il s'agit d'une rubrique que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PAT afin que nous puissions apprendre ensemble.
|
||||
|
||||
> Pour une étude plus approfondie, nous vous recommandons de suivre ces modules et parcours d'apprentissage [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
|
||||
|
||||
**Enseignants**, nous avons [inclus quelques suggestions](for-teachers.md) sur la façon d'utiliser ce programme.
|
||||
|
||||
---
|
||||
|
||||
## Rencontrez l'équipe
|
||||
|
||||
[!Promo video](ml.gif)](https://youtu.be/Tj1XWrDSYJU "Promo video")
|
||||
|
||||
**Gif par** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
|
||||
|
||||
> 🎥 Cliquez sur l'image ci-dessus pour voir une vidéo sur le projet et les personnes qui l'ont créé !
|
||||
|
||||
---
|
||||
|
||||
## Pédagogie
|
||||
|
||||
Nous avons choisi deux principes pédagogiques lors de la création de ce programme d'études : veiller à ce qu'il soit basé sur un **projet** pratique et à ce qu'il comprenne des **questionnaires fréquents**. En outre, ce programme a un **thème** commun pour lui donner une cohésion.
|
||||
|
||||
En veillant à ce que le contenu s'aligne sur les projets, le processus est rendu plus attrayant pour les élèves et la rétention des concepts est accrue. En outre, un quiz à faible enjeu avant le cours permet d'établir l'intention de l'élève d'apprendre un sujet, tandis qu'un second quiz après le cours assure une meilleure rétention. Ce programme a été conçu pour être flexible et amusant et peut être suivi en totalité ou en partie. Les projets commencent par être petits et deviennent de plus en plus complexes à la fin du cycle de 12 semaines. Ce programme comprend également un post-scriptum sur les applications réelles de la ML, qui peut être utilisé comme crédit supplémentaire ou comme base de discussion.
|
||||
|
||||
> Trouvez nos directives concernant le [Code de conduite](CODE_OF_CONDUCT.md), la [Contribution](CONTRIBUTING.md) et la [Traduction](TRANSLATIONS.md). Vos commentaires constructifs sont les bienvenus !
|
||||
|
||||
## Chaque leçon comprend :
|
||||
|
||||
- un sketchnote facultatif
|
||||
- une vidéo supplémentaire facultative
|
||||
- un questionnaire d'échauffement avant le cours
|
||||
- une leçon écrite
|
||||
- pour les leçons basées sur un projet, des guides pas à pas sur la façon de construire le projet
|
||||
- des contrôles de connaissances
|
||||
- un défi
|
||||
- lecture supplémentaire
|
||||
- devoir
|
||||
- quiz post-lecture
|
||||
|
||||
> **Une note sur les langues** : Ces leçons sont principalement écrites en Python, mais beaucoup sont également disponibles en R. Pour compléter une leçon R, allez dans le dossier `/solution` et recherchez les leçons R. Elles incluent une extension .rmd qui représente un fichier **R Markdown** qui peut être simplement défini comme une intégration de `champs de code` (de R ou d'autres langages) et d'un `en-tête YAML` (qui indique comment formater les sorties telles que le PDF) dans un `document Markdown`. En tant que tel, il sert de cadre de création exemplaire pour la science des données, car il vous permet de combiner votre code, ses résultats et vos idées en vous permettant de les écrire en Markdown. En outre, les documents R Markdown peuvent être convertis en formats de sortie tels que PDF, HTML ou Word.
|
||||
|
||||
**Une note sur les quiz** : Tous les quiz sont contenus [dans cette application] (https://gray-sand-07a10f403.1.azurestaticapps.net/), pour un total de 52 quiz de trois questions chacun. Ils sont liés aux leçons, mais l'application de quiz peut être exécutée localement ; suivez les instructions dans le dossier `quiz-app`.
|
||||
|
||||
| Numéro de leçon | Sujet | Groupe de leçons | Objectifs d'apprentissage | Leçon liée | Auteur |
|
||||
| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
|
||||
| 01 | Introduction à l'apprentissage automatique | [Introduction](1-Introduction/README.fr.md) | Apprendre les concepts de base de l'apprentissage automatique | [Leçon](1-Introduction/1-intro-to-ML/README.fr.md) | Muhammad |
|
||||
| 02 | L'histoire de l'apprentissage automatique | [Introduction](1-Introduction/README.fr.md) | Découvrez l'histoire qui se cache derrière ce domaine | [Leçon](1-Introduction/2-history-of-ML/README.fr.md) | Jen and Amy |
|
||||
| 03 | Équité et apprentissage automatique | [Introduction](1-Introduction/README.fr.md) | Quelles sont les questions philosophiques importantes concernant l'équité que les étudiants devraient prendre en compte lorsqu'ils construisent et appliquent des modèles ML ? | [Leçon](1-Introduction/3-fairness/README.fr.md) | Tomomi |
|
||||
| 04 | Techniques d'apprentissage automatique | [Introduction](1-Introduction/README.fr.md) | Quelles sont les techniques utilisées par les chercheurs en ML pour construire des modèles ML ? | [Leçon](1-Introduction/4-techniques-of-ML/README.fr.md) | Chris and Jen |
|
||||
| 05 | Introduction à la régression | [Régression](2-Regression/README.fr.md) | Démarrer avec Python et Scikit-learn pour les modèles de régression | <ul><li>[Python](2-Regression/1-Tools/README.md)</li><li>[R](2-Regression/1-Tools/solution/R/lesson_1-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
||||
| 06 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Visualiser et nettoyer les données en vue du ML | <ul><li>[Python](2-Regression/2-Data/README.md)</li><li>[R](2-Regression/2-Data/solution/R/lesson_2-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
||||
| 07 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Construire des modèles de régression linéaire et polynomiale | <ul><li>[Python](2-Regression/3-Linear/README.md)</li><li>[R](2-Regression/3-Linear/solution/R/lesson_3-R.ipynb)</li></ul> | <ul><li>Jen et Dmitry</li><li>Eric Wanjau</li></ul> |
|
||||
| 08 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Construire un modèle de régression logistique | <ul><li>[Python](2-Regression/4-Logistic/README.md) </li><li>[R](2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
||||
| 09 | Une application Web 🔌 | [Application Web](3-Web-App/README.md) | Construire une application web pour utiliser votre modèle formé | [Python](3-Web-App/1-Web-App/README.md) | Jen |
|
||||
| 10 | Introduction à la classification | [Classification](4-Classification/README.md) | Nettoyer, préparer et visualiser vos données ; introduction à la classification | <ul><li> [Python](4-Classification/1-Introduction/README.md) </li><li>[R](4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb) | <ul><li>Jen et Cassie</li><li>Eric Wanjau</li></ul> |
|
||||
| 11 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Introduction aux classificateurs | <ul><li> [Python](4-Classification/2-Classifiers-1/README.md)</li><li>[R](4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb) | <ul><li>Jen and Cassie</li><li>Eric Wanjau</li></ul> |
|
||||
| 12 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Plus de classificateurs | <ul><li> [Python](4-Classification/3-Classifiers-2/README.md)</li><li>[R](4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb) | <ul><li>Jen et Cassie</li><li>Eric Wanjau</li></ul> |
|
||||
| 13 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Construire une application web de recommandation en utilisant votre modèle | [Python](4-Classification/4-Applied/README.md) | Jen |
|
||||
| 14 | Introduction au clustering | [Clustering](5-Clustering/README.md) | Nettoyer, préparer et visualiser vos données ; Introduction au clustering. | <ul><li> [Python](5-Clustering/1-Visualize/README.md)</li><li>[R](5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb) | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
||||
| 15 | Explorer les goûts musicaux nigérians 🎧 | [Clustering](5-Clustering/README.md) | Explorer la méthode de clustering K-Means | <ul><li> [Python](5-Clustering/2-K-Means/README.md)</li><li>[R](5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb) | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
||||
| 16 | Introduction au traitement du langage naturel ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Apprenez les bases de la NLP en construisant un simple bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
|
||||
| 17 | Tâches courantes de la NLP ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Approfondissez vos connaissances en NLP en comprenant les tâches courantes requises lors du traitement des structures linguistiques | [Python](6-NLP/2-Tasks/README.md) | Stephen |
|
||||
| 18 | Traduction et analyse des sentiments ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Traduction et analyse des sentiments avec Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
|
||||
| 19 | Hôtels romantiques d'Europe ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Analyse de sentiments à partir de critiques d'hôtels 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
|
||||
| 20 | Hôtels romantiques d'Europe ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Analyse de sentiments à partir de critiques d'hôtels 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
|
||||
| 21 | Introduction à la prédiction des séries temporelles | [Séries temporelles](7-TimeSeries/README.md) | Introduction à la prédiction des séries temporelles | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
|
||||
| 22 | ⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision de séries temporelles avec ARIMA | [Séries temporelles](7-TimeSeries/README.md) | Prévision de séries temporelles avec ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
|
||||
| 23 | ⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision des séries temporelles avec SVR | [Séries temporelles](7-TimeSeries/README.md) | Prévision des séries temporelles avec le régresseur à vecteur de support | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
|
||||
| 24 | Introduction à l'apprentissage par renforcement | [Apprentissage par renforcement](8-Reinforcement/README.md) | Introduction à l'apprentissage par renforcement avec Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
|
||||
| 25 | Aidez Peter à éviter le loup! 🐺 | [Apprentissage par renforcement](8-Reinforcement/README.md) | Apprentissage par renforcement Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
|
||||
| Post-scriptum | Scénarios et applications de ML dans le monde réel | [ML dans la nature](9-Real-World/README.md) | Des applications intéressantes et révélatrices du monde réel de la ML classique | [Leçon](9-Real-World/1-Applications/README.md) | Équipe |
|
||||
|
||||
## Accès hors ligne
|
||||
|
||||
Vous pouvez utiliser cette documentation hors ligne en utilisant [Docsify](https://docsify.js.org/#/). Ouvrez ce dépôt, [installez Docsify](https://docsify.js.org/#/quickstart) sur votre machine locale, et ensuite dans le dossier racine de ce dépôt, tapez `docsify serve`. Le site web sera servi sur le port 3000 de votre hôte local : `localhost:3000`.
|
||||
|
||||
## PDFs
|
||||
|
||||
Trouvez un pdf du curriculum avec des liens [ici] (https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
|
||||
|
||||
## Aide demandée !
|
||||
|
||||
Vous souhaitez contribuer à une traduction ? Veuillez lire nos [directives de traduction](TRANSLATIONS.md) et ajouter une question type pour gérer la charge de travail [ici](https://github.com/microsoft/ML-For-Beginners/issues).
|
||||
|
||||
## Autres programmes d'études
|
||||
|
||||
Notre équipe produit d'autres programmes d'études ! Consultez :
|
||||
|
||||
- [Web Dev pour les débutants](https://aka.ms/webdev-beginners)
|
||||
- [IoT pour les débutants](https://aka.ms/iot-beginners)
|
||||
- [Science des données pour les débutants](https://aka.ms/datascience-beginners)
|
||||
- [L'intelligence artificielle pour les débutants](https://aka.ms/ai-beginners)
|
||||
Loading…
Reference in new issue