> **A note about languages**: These lessons are primarily written in Python, but many are also available in R. To complete an R lesson, go to the `/solution` folder and look for R lessons. They include an .rmd extension that represents an **R Markdown** file which can be simply defined as an embedding of `code chunks` (of R or other languages) and a `YAML header` (that guides how to format outputs such as PDF) in a `Markdown document`. As such, it serves as an exemplary authoring framework for data science since it allows you to combine your code, its output, and your thoughts by allowing you to write them down in Markdown. Moreover, R Markdown documents can be rendered to output formats such as PDF, HTML, or Word.
> **A note about quizzes**: All quizzes are contained in [Quiz App folder](../../quiz-app), for 52 total quizzes of three questions each. They are linked from within the lessons but the quiz app can be run locally; follow the instruction in the `quiz-app` folder to locally host or deploy to Azure.
@ -191,7 +191,6 @@ Our team produces other courses! Check out:
---
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[](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/)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
> Este repositorio incluye traducciones en más de 50 idiomas que aumentan significativamente el tamaño de descarga. Para clonar sin traducciones, usa checkout esparcido:
> Este repositorio incluye más de 50 traducciones de idiomas lo que aumenta significativamente el tamaño de la descarga. Para clonar sin las traducciones, use sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,53 +33,52 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Esto te proporciona todo lo necesario para completar el curso con una descarga mucho más rápida.
> Esto te da todo lo que necesitas para completar el curso con una descarga mucho más rápida.
Tenemos una serie en Discord de aprender con IA en curso, aprende más y únete en [Serie Aprende con IA](https://aka.ms/learnwithai/discord) del 18 al 30 de septiembre de 2025. Obtendrás consejos y trucos para usar GitHub Copilot para ciencia de datos.
Tenemos una serie en Discord para aprender con IA en curso, aprende más y únete en [Serie Aprende con IA](https://aka.ms/learnwithai/discord) del 18 al 30 de septiembre de 2025. Obtendrás consejos y trucos para usar GitHub Copilot para Ciencia de Datos.
# Aprendizaje Automático para Principiantes - Un Currículo
> 🌍 Viaja alrededor del mundo mientras exploramos el Aprendizaje Automático a través de culturas mundiales 🌍
> 🌍 Viaja alrededor del mundo mientras exploramos el Aprendizaje Automático mediante culturas del mundo 🌍
Los Cloud Advocates de Microsoft se complacen en ofrecer un currículo de 12 semanas, 26 lecciones, todo sobre **Aprendizaje Automático**. En este currículo, aprenderás sobre lo que a veces se llama **aprendizaje automático clásico**, usando principalmente Scikit-learn como biblioteca y evitando el aprendizaje profundo, que se cubre en nuestro [currículo AI para principiantes](https://aka.ms/ai4beginners). ¡Combina estas lecciones con nuestro [currículo Ciencia de Datos para Principiantes](https://aka.ms/ds4beginners) también!
Los Cloud Advocates en Microsoft se complacen en ofrecer un currículo de 12 semanas, con 26 lecciones, todo sobre **Aprendizaje Automático**. En este currículo, aprenderás sobre lo que a veces se llama **aprendizaje automático clásico**, utilizando principalmente Scikit-learn como biblioteca y evitando el aprendizaje profundo, que se cubre en nuestro [currículo de IA para Principiantes](https://aka.ms/ai4beginners). También combina estas lecciones con nuestro ['Currículo de Ciencia de Datos para Principiantes'](https://aka.ms/ds4beginners).
Viaja con nosotros alrededor del mundo mientras aplicamos estas técnicas clásicas a datos de muchas áreas del mundo. Cada lección incluye pruebas previas y posteriores, instrucciones escritas para completar la lección, una solución, una tarea y más. Nuestra pedagogía basada en proyectos permite aprender construyendo, una manera probada de que las nuevas habilidades 'se fijen'.
Viaja con nosotros alrededor del mundo mientras aplicamos estas técnicas clásicas a datos de muchas áreas del mundo. Cada lección incluye pruebas antes y después de la lección, instrucciones escritas para completar la lección, una solución, una tarea y más. Nuestra pedagogía basada en proyectos te permite aprender mientras construyes, una manera comprobada para que nuevas habilidades se fijen.
**✍️ Muchas gracias a nuestros autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu y Amy Boyd
**🎨 También gracias a nuestros ilustradores** Tomomi Imura, Dasani Madipalli y Jen Looper
**🎨 Gracias también a nuestros ilustradores** Tomomi Imura, Dasani Madipalli y Jen Looper
**🙏 Agradecimiento especial 🙏 a nuestros autores, revisores y colaboradores Microsoft Student Ambassador**, especialmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila y Snigdha Agarwal
**🙏 Agradecimientos especiales 🙏 a nuestros autores, revisores y contribuidores de contenido Embajadores Estudiantiles de Microsoft**, en especial a Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila y Snigdha Agarwal
**🤩 Gratitud extra a los Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi y Vidushi Gupta por nuestras lecciones en R!**
**🤩 Agradecimiento extra a los Embajadores Estudiantiles de Microsoft Eric Wanjau, Jasleen Sondhi y Vidushi Gupta por nuestras lecciones de R!**
# Comenzando
Sigue estos pasos:
1. **Haz un Fork del Repositorio**: Haz clic en el botón "Fork" en la esquina superior derecha de esta página.
1. **Haz un fork del Repositorio**: Haz clic en el botón "Fork" en la esquina superior derecha de esta página.
2. **Clona el Repositorio**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [encuentra todos los recursos adicionales para este curso en nuestra colección de Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **¿Necesitas ayuda?** Revisa nuestra [Guía de solución de problemas](TROUBLESHOOTING.md) para encontrar soluciones a problemas comunes con la instalación, configuración y ejecución de lecciones.
> [Encuentra todos los recursos adicionales para este curso en nuestra colección de Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **¿Necesitas ayuda?** Consulta nuestra [Guía de Solución de Problemas](TROUBLESHOOTING.md) para soluciones a problemas comunes con la instalación, configuración y ejecución de lecciones.
**[Estudiantes](https://aka.ms/student-page)**, para usar este currículo, haz un fork de todo el repositorio a tu propia cuenta de GitHub y completa los ejercicios por tu cuenta o en grupo:
- Comienza con un cuestionario previo a la lección.
- Lee la lección y realiza las actividades, pausando y reflexionando en cada verificación de conocimiento.
- Intenta crear los proyectos comprendiendo las lecciones en lugar de ejecutar el código solución; sin embargo, ese código está disponible en las carpetas `/solution`de cada lección orientada a proyectos.
- Realiza el cuestionario posterior a la lección.
- Comienza con un quiz previo a la lección.
- Lee la lección y completa las actividades, deteniéndote y reflexionando en cada chequeo de conocimiento.
- Intenta crear los proyectos comprendiendo las lecciones más que ejecutando el código de la solución; sin embargo, ese código está disponible en las carpetas `/solution` en cada lección orientada a proyectos.
- Realiza el quiz después de la lección.
- Completa el desafío.
- Completa la tarea.
- Después de completar un grupo de lecciones, visita el [Foro de Discusión](https://github.com/microsoft/ML-For-Beginners/discussions) y "aprende en voz alta" llenando la rúbrica PAT correspondiente. Un 'PAT' es una herramienta de evaluación de progreso que completas para avanzar en tu aprendizaje. También puedes reaccionar a otros PATs para aprender juntos.
- Después de completar un grupo de lecciones, visita el [Foro de Discusión](https://github.com/microsoft/ML-For-Beginners/discussions) y "aprende en voz alta" llenando la rúbrica PAT correspondiente. Un 'PAT' es una Herramienta de Evaluación de Progreso que es una rúbrica que llenas para avanzar en tu aprendizaje. También puedes reaccionar a otras PAT para que aprendamos juntos.
> Para estudios adicionales, recomendamos seguir estos módulos y rutas de aprendizaje de [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
@ -89,9 +88,9 @@ Sigue estos pasos:
## Videos explicativos
Algunas de las lecciones están disponibles en formato video corto. Puedes encontrar todos estos videos incrustados en las lecciones o en la [lista de reproducción ML para Principiantes en el canal de YouTube de Microsoft Developer](https://aka.ms/ml-beginners-videos) haciendo clic en la imagen abajo.
Algunas lecciones están disponibles como videos de formato corto. Puedes encontrarlos en línea dentro de las lecciones, o en la [lista de reproducción ML para principiantes en el canal de Microsoft Developer en YouTube](https://aka.ms/ml-beginners-videos) haciendo clic en la imagen a continuación.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
---
@ -101,77 +100,77 @@ Algunas de las lecciones están disponibles en formato video corto. Puedes encon
> 🎥 ¡Haz clic en la imagen arriba para un video sobre el proyecto y las personas que lo crearon!
> 🎥 ¡Haz clic en la imagen de arriba para ver un video sobre el proyecto y las personas que lo crearon!
---
## Pedagogía
Hemos elegido dos principios pedagógicos al construir este currículo: asegurar que sea **práctico y basado en proyectos** y que incluya **cuestionarios frecuentes**. Además, este currículo tiene un **tema común** para darle cohesión.
Hemos elegido dos principios pedagógicos al construir este currículo: asegurar que sea **basado en proyectos** y que incluya **quizzes frecuentes**. Además, este currículo tiene un **tema** común para darle cohesión.
Al garantizar que el contenido esté alineado con proyectos, el proceso se vuelve más atractivo para los estudiantes y se aumenta la retención de conceptos. Además, un cuestionario de bajo impacto antes de la clase establece la intención del estudiante hacia el aprendizaje de un tema, mientras que un segundo cuestionario después de la clase asegura una retención adicional. Este currículo fue diseñado para ser flexible y divertido, y puede tomarse en su totalidad o por partes. Los proyectos comienzan pequeños y se vuelven cada vez más complejos al finalizar el ciclo de 12 semanas. Este currículo también incluye un posfacio sobre aplicaciones reales del ML, que puede usarse como crédito extra o como base para discusión.
Al asegurar que el contenido esté alineado con proyectos, el proceso se vuelve más atractivo para los estudiantes y la retención de conceptos se incrementa. Además, un quiz de bajo riesgo antes de una clase fija la intención del estudiante hacia el aprendizaje de un tema, mientras que un segundo quiz posterior asegura mayor retención. Este currículo fue diseñado para ser flexible y divertido y puede ser tomado en su totalidad o en parte. Los proyectos comienzan pequeños y se vuelven cada vez más complejos al final del ciclo de 12 semanas. Este currículo también incluye un postscriptum sobre aplicaciones reales del aprendizaje automático, que puede usarse como crédito extra o como base para discusión.
> Encuentra nuestro [Código de Conducta](CODE_OF_CONDUCT.md), [Contribuciones](CONTRIBUTING.md), [Traducciones](..), y guías de [Solución de Problemas](TROUBLESHOOTING.md). ¡Agradecemos tus comentarios constructivos!
> Encuentra nuestro [Código de Conducta](CODE_OF_CONDUCT.md), [Contribuir](CONTRIBUTING.md), [Traducciones](..), y [Solución de Problemas](TROUBLESHOOTING.md). ¡Agradecemos tus comentarios constructivos!
## Cada lección incluye
- sketchnote opcional
- video suplementario opcional
- esquemático opcional
- video complementario opcional
- video explicativo (solo algunas lecciones)
- [cuestionario de calentamiento previo a la lección](https://ff-quizzes.netlify.app/en/ml/)
- [quiz de calentamiento previo a la lección](https://ff-quizzes.netlify.app/en/ml/)
- lección escrita
- para lecciones basadas en proyectos, guías paso a paso para construir el proyecto
- verificaciones de conocimiento
- un desafío
- lecturas complementarias
- chequeos de conocimiento
- un reto
- lectura suplementaria
- tarea
- [cuestionario posterior a la lección](https://ff-quizzes.netlify.app/en/ml/)
> **Una nota sobre los idiomas**: Estas lecciones están escritas principalmente en Python, pero muchas también están disponibles en R. Para completar una lección en R, visita la carpeta `/solution` y busca las lecciones en R. Incluyen una extensión .rmd que representa un archivo **R Markdown**, que puede definirse simplemente como una integración de `fragmentos de código` (de R u otros lenguajes) y un `encabezado YAML` (que guía cómo formatear salidas como PDF) en un `documento Markdown`. Como tal, sirve como un marco ejemplar para autoría en ciencia de datos ya que te permite combinar tu código, su salida y tus pensamientos escribiéndolos en Markdown. Además, los documentos R Markdown pueden exportarse a formatos como PDF, HTML o Word.
> **Una nota sobre los cuestionarios**: Todos los cuestionarios están contenidos en la [carpeta Quiz App](../../quiz-app), con un total de 52 cuestionarios de tres preguntas cada uno. Se enlazan desde dentro de las lecciones, pero la aplicación de cuestionarios puede ejecutarse localmente; siga las instrucciones en la carpeta `quiz-app` para alojarla localmente o desplegarla en Azure.
| Número de lección | Tema | Agrupación de lecciones | Objetivos de aprendizaje | Lección enlazada | Autor |
| 01 | Introducción al aprendizaje automático | [Introducción](1-Introduction/README.md) | Aprender los conceptos básicos detrás del aprendizaje automático| [Lección](1-Introduction/1-intro-to-ML/README.md)| Muhammad |
| 02 | La historia del aprendizaje automático | [Introducción](1-Introduction/README.md) | Aprender la historia subyacente en este campo |[Lección](1-Introduction/2-history-of-ML/README.md) | Jen y Amy |
| 03 | Justicia y aprendizaje automático | [Introducción](1-Introduction/README.md) | ¿Cuáles son los importantes temas filosóficos sobre la justicia que los estudiantes deben considerar al construir y aplicar modelos de ML? | [Lección](1-Introduction/3-fairness/README.md) |Tomomi |
| 04 | Técnicas para aprendizaje automático | [Introducción](1-Introduction/README.md) | ¿Qué técnicas usan los investigadores de ML para construir modelos de ML? |[Lección](1-Introduction/4-techniques-of-ML/README.md) | Chris y Jen |
| 05 | Introducción a la regresión | [Regresión](2-Regression/README.md) | Comenzar con Python y Scikit-learn para modelos de regresión | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Precios de calabazas en Norteamérica 🎃 | [Regresión](2-Regression/README.md) | Visualizar y limpiar datos en preparación para ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Precios de calabazas en Norteamérica 🎃 | [Regresión](2-Regression/README.md) | Construir modelos de regresión lineal y polinómica | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen y Dmitry • Eric Wanjau |
| 08 | Precios de calabazas en Norteamérica 🎃 | [Regresión](2-Regression/README.md) | Construir un modelo de regresión logística | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Una aplicación web 🔌 | [Aplicación Web](3-Web-App/README.md) | Construir una aplicación web para usar tu modelo entrenado | [Python](3-Web-App/1-Web-App/README.md) |Jen |
| 10 | Introducción a la clasificación | [Clasificación](4-Classification/README.md) | Limpiar, preparar y visualizar tus datos; introducción a la clasificación | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen y Cassie • Eric Wanjau |
| 11 | Deliciosas cocinas asiáticas e indias 🍜 | [Clasificación](4-Classification/README.md) | Introducción a los clasificadores | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen y Cassie • Eric Wanjau |
| 12 | Deliciosas cocinas asiáticas e indias 🍜 | [Clasificación](4-Classification/README.md) | Más clasificadores | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen y Cassie • Eric Wanjau |
| 13 | Deliciosas cocinas asiáticas e indias 🍜 | [Clasificación](4-Classification/README.md) | Construir una aplicación web recomendadora usando tu modelo| [Python](4-Classification/4-Applied/README.md) |Jen |
| 14 | Introducción a la agrupación | [Agrupación](5-Clustering/README.md) | Limpiar, preparar y visualizar tus datos; introducción a la agrupación | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Explorando gustos musicales nigerianos 🎧 | [Agrupación](5-Clustering/README.md) | Explorar el método de agrupación K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introducción al procesamiento del lenguaje natural ☕️ | [Procesamiento del lenguaje natural](6-NLP/README.md) | Aprende lo básico sobre PLN construyendo un bot simple | [Python](6-NLP/1-Introduction-to-NLP/README.md)|Stephen |
| 17 | Tareas comunes en PLN ☕️ | [Procesamiento del lenguaje natural](6-NLP/README.md) | Profundiza tus conocimientos en PLN entendiendo las tareas comunes que se requieren al trabajar con estructuras de lenguaje | [Python](6-NLP/2-Tasks/README.md) |Stephen |
| 18 | Traducción y análisis de sentimiento ♥️ | [Procesamiento del lenguaje natural](6-NLP/README.md) | Traducción y análisis de sentimiento con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) |Stephen |
| 19 | Hoteles románticos de Europa ♥️ | [Procesamiento del lenguaje natural](6-NLP/README.md) | Análisis de sentimiento con reseñas de hoteles 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hoteles románticos de Europa ♥️ | [Procesamiento del lenguaje natural](6-NLP/README.md) | Análisis de sentimiento con reseñas de hoteles 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introducción a la predicción de series temporales | [Series temporales](7-TimeSeries/README.md) | Introducción a la predicción de series temporales | [Python](7-TimeSeries/1-Introduction/README.md) |Francesca |
| 22 | ⚡️ Uso mundial de energía ⚡️ - predicción de series temporales con ARIMA | [Series temporales](7-TimeSeries/README.md) | Predicción de series temporales con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Uso mundial de energía ⚡️ - predicción de series temporales con SVR | [Series temporales](7-TimeSeries/README.md) | Predicción de series temporales con regresor de vectores de soporte | [Python](7-TimeSeries/3-SVR/README.md) |Anirban |
| 24 | Introducción al aprendizaje por refuerzo | [Aprendizaje por refuerzo](8-Reinforcement/README.md) | Introducción al aprendizaje por refuerzo con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | ¡Ayuda a Peter a evitar al lobo! 🐺 | [Aprendizaje por refuerzo](8-Reinforcement/README.md) | Aprendizaje por refuerzo con Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Post script | Escenarios y aplicaciones de ML en el mundo real | [ML en el mundo real](9-Real-World/README.md) | Aplicaciones reales interesantes y reveladoras del aprendizaje automático clásico | [Lección](9-Real-World/1-Applications/README.md) | Equipo |
| Post script | Depuración de modelos de ML usando el tablero RAI | [ML en el mundo real](9-Real-World/README.md) | Depuración de modelos de aprendizaje automático usando componentes del tablero Responsible AI | [Lección](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- [quiz posterior a la lección](https://ff-quizzes.netlify.app/en/ml/)
> **Una nota sobre los idiomas**: Estas lecciones están escritas principalmente en Python, pero muchas también están disponibles en R. Para completar una lección en R, ve a la carpeta `/solution` y busca las lecciones en R. Incluyen una extensión .rmd que representa un archivo de **R Markdown**, que puede definirse simplemente como una incorporación de `fragmentos de código` (de R u otros lenguajes) y un `encabezado YAML` (que guía cómo formatear la salida como PDF) en un `documento Markdown`. Como tal, sirve como un marco ejemplar para la creación de contenidos en ciencia de datos, ya que permite combinar tu código, su salida y tus pensamientos permitiéndote escribirlos en Markdown. Además, los documentos R Markdown pueden ser renderizados a formatos de salida como PDF, HTML o Word.
> **Una nota sobre los cuestionarios**: Todos los cuestionarios se encuentran en la [carpeta Quiz App](../../quiz-app), con un total de 52 cuestionarios de tres preguntas cada uno. Están vinculados dentro de las lecciones, pero la aplicación de cuestionarios se puede ejecutar localmente; sigue las instrucciones en la carpeta `quiz-app` para alojarla localmente o desplegarla en Azure.
| Número de Lección | Tema | Agrupación de la Lección | Objetivos de Aprendizaje | Lección vinculada | Autor |
| 01 | Introducción al aprendizaje automático | [Introducción](1-Introduction/README.md) | Aprende los conceptos básicos detrás del aprendizaje automático | [Lección](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La historia del aprendizaje automático | [Introducción](1-Introduction/README.md) | Aprende la historia que sustenta este campo | [Lección](1-Introduction/2-history-of-ML/README.md) | Jen y Amy |
| 03 | Equidad y aprendizaje automático | [Introducción](1-Introduction/README.md) | ¿Cuáles son los importantes temas filosóficos sobre la equidad que los estudiantes deben considerar al crear y aplicar modelos de ML? | [Lección](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Técnicas para el aprendizaje automático | [Introducción](1-Introduction/README.md) | ¿Qué técnicas usan los investigadores de ML para construir modelos de ML? | [Lección](1-Introduction/4-techniques-of-ML/README.md) | Chris y Jen |
| 05 | Introducción a la regresión | [Regresión](2-Regression/README.md) | Comienza con Python y Scikit-learn para modelos de regresión |[Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Precios de calabazas en Norteamérica 🎃 | [Regresión](2-Regression/README.md) | Visualiza y limpia datos en preparación para ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Precios de calabazas en Norteamérica 🎃 | [Regresión](2-Regression/README.md) | Construye modelos de regresión lineal y polinómica | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen y Dmitry • Eric Wanjau |
| 08 | Precios de calabazas en Norteamérica 🎃 | [Regresión](2-Regression/README.md) | Construye un modelo de regresión logística | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Una aplicación web 🔌 | [Aplicación Web](3-Web-App/README.md) | Construye una aplicación web para usar tu modelo entrenado | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introducción a la clasificación | [Clasificación](4-Classification/README.md) | Limpia, prepara y visualiza tus datos; introducción a la clasificación | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen y Cassie • Eric Wanjau |
| 11 | Cocina deliciosa asiática e india 🍜 | [Clasificación](4-Classification/README.md) | Introducción a los clasificadores | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen y Cassie • Eric Wanjau |
| 12 | Cocina deliciosa asiática e india 🍜 | [Clasificación](4-Classification/README.md) | Más clasificadores | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen y Cassie • Eric Wanjau |
| 13 | Cocina deliciosa asiática e india 🍜 | [Clasificación](4-Classification/README.md) | Construye una aplicación web recomendadora usando tu modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introducción al clustering | [Clustering](5-Clustering/README.md) | Limpia, prepara y visualiza tus datos; introducción al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Explorando gustos musicales nigerianos 🎧 | [Clustering](5-Clustering/README.md) | Explora el método K-Means paraclustering | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introducción al procesamiento de lenguaje natural ☕️ | [Procesamiento de lenguaje natural](6-NLP/README.md) | Aprende lo básico sobre PLN construyendo un bot simple | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tareas comunes de PLN ☕️ | [Procesamiento de lenguaje natural](6-NLP/README.md) | Profundiza tus conocimientos de PLN entendiendo tareas comunes requeridas al tratar con estructuras de lenguaje | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traducción y análisis de sentimiento ♥️ | [Procesamiento de lenguaje natural](6-NLP/README.md) | Traducción y análisis de sentimiento con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hoteles románticos de Europa ♥️ | [Procesamiento de lenguaje natural](6-NLP/README.md) | Análisis de sentimiento con reseñas de hoteles 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hoteles románticos de Europa ♥️ | [Procesamiento de lenguaje natural](6-NLP/README.md) | Análisis de sentimiento con reseñas de hoteles 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introducción a la predicción de series temporales | [Series temporales](7-TimeSeries/README.md) | Introducción a la predicción de series temporales | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Uso mundial de energía ⚡️ - predicción de series temporales con ARIMA | [Series temporales](7-TimeSeries/README.md) | Predicción de series temporales con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Uso mundial de energía ⚡️ - predicción de series temporales con SVR | [Series temporales](7-TimeSeries/README.md) | Predicción de series temporales con regresor de vectores de soporte | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introducción al aprendizaje por refuerzo | [Aprendizaje por refuerzo](8-Reinforcement/README.md) | Introducción al aprendizaje por refuerzo con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Ayuda a Peter a evitar al lobo! 🐺 | [Aprendizaje por refuerzo](8-Reinforcement/README.md) | Aprendizaje por refuerzo con Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Epílogo | Escenarios y aplicaciones de ML en el mundo real | [ML en el mundo real](9-Real-World/README.md) | Aplicaciones interesantes y reveladoras del ML clásico | [Lección](9-Real-World/1-Applications/README.md) | Equipo |
| Epílogo | Depuración de modelos en ML con el panel de RAI | [ML en el mundo real](9-Real-World/README.md) | Depuración de modelos en machine learning usando componentes del panel Responsible AI | [Lección](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [encuentra todos los recursos adicionales para este curso en nuestra colección Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Acceso sin conexión
Puedes ejecutar esta documentación sin conexión usando [Docsify](https://docsify.js.org/#/). Haz un fork de este repositorio, [instala Docsify](https://docsify.js.org/#/quickstart) en tu máquina local y luego en la carpeta raíz de este repositorio, escribe `docsify serve`. El sitio web se servirá en el puerto 3000 en tu localhost: `localhost:3000`.
Puedes ejecutar esta documentación sin conexión usando [Docsify](https://docsify.js.org/#/). Haz un fork de este repositorio, [instala Docsify](https://docsify.js.org/#/quickstart) en tu máquina local y luego, en la carpeta raíz de este repo, escribe `docsify serve`. El sitio web se servirá en el puerto 3000 de tu localhost: `localhost:3000`.
## PDFs
Encuentra un pdf del currículo con enlaces [aquí](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Encuentra un pdf del plan de estudios con enlaces [aquí](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Otros cursos
## 🎒 Otros Cursos
¡Nuestro equipo produce otros cursos! Echa un vistazo:
@ -185,8 +184,8 @@ Encuentra un pdf del currículo con enlaces [aquí](https://microsoft.github.io/
### Azure / Edge / MCP / Agentes
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
@ -198,7 +197,7 @@ Encuentra un pdf del currículo con enlaces [aquí](https://microsoft.github.io/
---
### Aprendizaje Fundamental
### Aprendizaje Básico
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -210,29 +209,29 @@ Encuentra un pdf del currículo con enlaces [aquí](https://microsoft.github.io/
---
### Serie Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Si te quedas atascado o tienes alguna pregunta sobre cómo crear aplicaciones de IA. Únete a otros aprendices y desarrolladores experimentados en discusiones sobre MCP. Es una comunidad de apoyo donde las preguntas son bienvenidas y el conocimiento se comparte libremente.
Si te quedas atascado o tienes alguna pregunta sobre cómo crear aplicaciones de IA, únete a otros aprendices y desarrolladores experimentados en discusiones sobre MCP. Es una comunidad de apoyo donde las preguntas son bienvenidas y el conocimiento se comparte libremente.
- Revisa los notebooks después de cada lección para una mejor comprensión.
- Practica implementando algoritmos por tu cuenta.
- Explora conjuntos de datos del mundo real usando los conceptos aprendidos.
- Explora conjuntos de datos del mundo real utilizando los conceptos aprendidos.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Descargo de responsabilidad**:
Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No somos responsables de malentendidos o interpretaciones erróneas derivadas del uso de esta traducción.
**Aviso Legal**:
Este documento ha sido traducido utilizando el servicio de traducción AI [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda la traducción profesional humana. No nos responsabilizamos por malentendidos o interpretaciones erróneas derivadas del uso de esta traducción.
> Ce dépôt inclut plus de 50 traductions de langues ce qui augmente significativement la taille de téléchargement. Pour cloner sans traductions, utilisez le "sparse checkout":
> Ce dépôt inclut plus de 50 traductions de langues, ce qui augmente considérablement la taille de téléchargement. Pour cloner sans les traductions, utilisez le sparse checkout :
>
> **Bash / macOS / Linux :**
> ```bash
@ -33,71 +33,70 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Cela vous fournit tout ce dont vous avez besoin pour compléter le cours avec un téléchargement bien plus rapide.
> Cela vous donne tout ce dont vous avez besoin pour compléter le cours avec un téléchargement beaucoup plus rapide.
Nous avons une série Discord d’apprentissage avec l’IA en cours, apprenez-en plus et rejoignez-nous sur [Learn with AI Series](https://aka.ms/learnwithai/discord) du 18 au 30 septembre 2025. Vous recevrez des astuces et conseils pour utiliser GitHub Copilot pour la Science des Données.
Nous avons une série Discord apprendre avec l’IA en cours, apprenez-en plus et rejoignez-nous à [Learn with AI Series](https://aka.ms/learnwithai/discord) du 18 au 30 septembre 2025. Vous recevrez des astuces et conseils pour utiliser GitHub Copilot pour la Science des Données.
# Apprentissage Automatique pour Débutants - Un programme d’études
# Apprentissage Automatique pour Débutants - Un Plan de Cours
> 🌍 Voyagez autour du monde en explorant l'apprentissage automatique à travers les cultures du monde 🌍
> 🌍 Voyagez autour du monde tout en explorant l’apprentissage automatique à travers les cultures du monde 🌍
Les Cloud Advocates de Microsoft sont heureux de proposer un programme de 12 semaines, 26 leçons, entièrement consacré à **l’apprentissage automatique**. Dans ce programme, vous apprendrez ce que l’on appelle parfois l’**apprentissage automatique classique**, utilisant principalement Scikit-learn comme bibliothèque et évitant le deep learning, qui est couvert dans notre [programme AI pour Débutants](https://aka.ms/ai4beginners). Associez ces leçons avec notre [programme Science des Données pour Débutants](https://aka.ms/ds4beginners) aussi !
Les Cloud Advocates de Microsoft ont le plaisir d’offrir un cursus de 12 semaines, 26 leçons, entièrement dédié à **l’apprentissage automatique**. Dans ce programme, vous apprendrez ce que l’on appelle parfois le **machine learning classique**, en utilisant principalement Scikit-learn comme bibliothèque, et en évitant le deep learning, qui est couvert dans notre cours [IA pour débutants](https://aka.ms/ai4beginners). Associez ces leçons avec notre [cours « Science des données pour débutants »](https://aka.ms/ds4beginners) également !
Voyagez avec nous à travers le monde en appliquant ces techniques classiques à des données issues de nombreuses régions du globe. Chaque leçon comprend des quiz avant et après la leçon, des instructions écrites pour compléter la leçon, une solution, un exercice, et plus encore. Notre pédagogie basée sur des projets vous permet d’apprendre tout en construisant, une méthode éprouvée pour que les nouvelles compétences s’ancrent.
Voyagez avec nous autour du monde en appliquant ces techniques classiques à des données provenant de nombreuses régions. Chaque leçon inclut des quiz pré- et post-leçon, des instructions écrites pour réaliser la leçon, une solution, un devoir, et plus encore. Notre pédagogie basée sur des projets vous permet d’apprendre en construisant, une méthode éprouvée pour que les nouvelles compétences s’ancrent durablement.
**✍️ Un grand merci à nos auteurs** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu et Amy Boyd
**🎨 Merci également à nos illustrateurs** Tomomi Imura, Dasani Madipalli et Jen Looper
**🎨 Merci également à nos illustrateurs** Tomomi Imura, Dasani Madipalli, et Jen Looper
**🙏 Remerciements particuliers 🙏 à nos Microsoft Student Ambassador auteurs, relecteurs et contributeurs**, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila et Snigdha Agarwal
**🙏 Remerciements particuliers 🙏 à nos auteurs, réviseurs et contributeurs du Microsoft Student Ambassador**, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila et Snigdha Agarwal
**🤩 Gratitude supplémentaire aux Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi et Vidushi Gupta pour nos leçons R !**
**🤩 Une gratitude supplémentaire aux Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi et Vidushi Gupta pour nos leçons R !**
# Démarrer
# Commencer
Suivez ces étapes :
1. **Forkez le dépôt** : Cliquez sur le bouton « Fork » en haut à droite de cette page.
2. **Clonez le dépôt** : `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Forkez le dépôt** : Cliquez sur le bouton "Fork" en haut à droite de cette page.
2. **Clonez le dépôt** : `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [trouvez toutes les ressources supplémentaires pour ce cours dans notre collection Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Besoin d’aide ?** Consultez notre [Guide de dépannage](TROUBLESHOOTING.md) pour des solutions aux problèmes courants d’installation, configuration et exécution des leçons.
> 🔧 **Besoin d’aide ?** Consultez notre [guide de dépannage](TROUBLESHOOTING.md) pour des solutions aux problèmes courants d’installation, configuration et exécution des leçons.
**[Étudiants](https://aka.ms/student-page)**, pour utiliser ce programme, forkez l’intégralité du repo sur votre propre compte GitHub et complétez les exercices seul ou en groupe :
**[Étudiants](https://aka.ms/student-page)**, pour utiliser ce cursus, forkez l’intégralité du dépôt sur votre propre compte GitHub et complétez les exercices seul ou en groupe :
- Commencez par un quiz avant la leçon.
- Lisez la leçon et complétez les activités, en faisant des pauses et réfléchissant à chaque vérification de connaissances.
- Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant directement le code solution ; cependant ce code est disponible dans les dossiers `/solution` de chaque leçon orientée projet.
- Passez le quiz après la leçon.
- Lisez la leçon et réalisez les activités, marquez des pauses pour réfléchir à chaque contrôle des connaissances.
- Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant directement le code solution ; néanmoins ce code est disponible dans les dossiers `/solution` de chaque leçon axée projet.
- Passez le quiz post-lecture.
- Réalisez le défi.
- Complétez l’exercice.
- Après avoir fini un groupe de leçons, visitez le [Forum de discussion](https://github.com/microsoft/ML-For-Beginners/discussions) et « apprenez à haute voix » en remplissant la grille PAT correspondante. Un 'PAT' est un outil d’évaluation des progrès que vous complétez pour renforcer votre apprentissage. Vous pouvez également réagir aux PAT des autres afin que nous apprenions ensemble.
- Effectuez le devoir.
- 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 grille PAT appropriée. Un 'PAT' est un outil d’évaluation des progrès que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PAT afin que nous puissions apprendre ensemble.
> Pour aller plus loin, nous recommandons de suivre ces modules et parcours d’apprentissage sur [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Pour aller plus loin, nous 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) pour utiliser ce programme.
**Enseignants**, nous avons [inclus quelques suggestions](for-teachers.md) sur l’utilisation de ce cursus.
---
## Vidéos explicatives
Certaines leçons sont disponibles en vidéo format court. Vous pouvez les trouver intégrées dans les leçons ou sur la [playlist ML for Beginners sur la chaîne YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) en cliquant sur l’image ci-dessous.
Certaines leçons sont disponibles en vidéo courte. Vous pouvez toutes les trouver dans les leçons elles-mêmes, ou sur la [playlist ML for Beginners de la chaîne Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) en cliquant sur l’image ci-dessous.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
@ -107,132 +106,132 @@ Certaines leçons sont disponibles en vidéo format court. Vous pouvez les trouv
## Pédagogie
Nous avons choisi deux principes pédagogiques en construisant ce programme : garantir qu’il soit pratique et **basé sur des projets** et qu’il inclue des **quiz fréquents**. De plus, ce programme a un **thème** commun pour lui donner de la cohésion.
Nous avons choisi deux principes pédagogiques lors de la construction de ce cursus : garantir qu’il soit pratique **basé sur des projets** et qu’il inclue des **quiz fréquents**. De plus, ce cursus possède un **thème commun** pour lui donner de la cohérence.
En assurant que le contenu s’aligne sur des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts est augmentée. De plus, un quiz à enjeux faibles avant la classe fixe l’intention d’apprentissage, tandis qu’un second quiz après la classe assure une rétention supplémentaire. Ce programme a été conçu pour être flexible et amusant et peut être suivi dans son ensemble ou partiellement. Les projets commencent petits et deviennent de plus en plus complexes à la fin du cycle de 12 semaines. Ce programme inclut également un post-scriptum sur les applications réelles de l’apprentissage automatique, qui peut être utilisé comme crédit supplémentaire ou base pour discussion.
En permettant que le contenu soit aligné sur des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts est améliorée. De plus, un quiz à enjeux faibles avant une classe fixe l’intention d’apprentissage de l’étudiant, tandis qu’un second quiz en fin de cours assure une meilleure mémorisation. Ce cursus a été conçu pour être flexible et amusant, et peut être suivi en totalité ou partiellement. Les projets commencent petits et deviennent de plus en plus complexes à la fin de ce cycle de 12 semaines. Ce programme inclut également un post-scriptum sur les applications réelles du ML, que l’on peut utiliser comme points bonus ou base de discussion.
> Retrouvez notre [Code de conduite](CODE_OF_CONDUCT.md), [Guide de contribution](CONTRIBUTING.md), [Traductions](..) et [Dépannage](TROUBLESHOOTING.md). Nous accueillons vos retours constructifs !
> Retrouvez notre [Code de conduite](CODE_OF_CONDUCT.md), [Contribuer](CONTRIBUTING.md), [Traductions](..), et [Dépannage](TROUBLESHOOTING.md). Nous accueillons vos retours constructifs !
## Chaque leçon comprend
- sketchnote optionnel
- vidéo complémentaire optionnelle
- vidéo explicative (certaines leçons uniquement)
- [quiz d’échauffement avant la leçon](https://ff-quizzes.netlify.app/en/ml/)
- pour les leçons basées sur un projet, guides étape par étape pour construire le projet
- vérifications de connaissances
- pour les leçons basées sur un projet, guide étape par étape pour construire le projet
- contrôles des connaissances
- un défi
- lecture complémentaire
- exercice
- [quiz après la leçon](https://ff-quizzes.netlify.app/en/ml/)
> **Une note sur les langues** : Ces leçons sont principalement écrites en Python, mais beaucoup sont aussi disponibles en R. Pour suivre une leçon en R, allez dans le dossier `/solution` et cherchez les leçons R. Elles incluent une extension .rmd qui représente un fichier **R Markdown**, qui peut se définir simplement comme une intégration de `blocs de code` (en R ou autres langages) et un `en-tête YAML` (qui guide la mise en forme des sorties comme PDF) dans un `document Markdown`. En tant que tel, il sert de cadre exemplaire pour l’écriture en data science car il vous permet de combiner code, sa sortie et vos réflexions en les écrivant en Markdown. De plus, les documents R Markdown peuvent être rendus dans des formats de sortie tels que PDF, HTML ou Word.
> **Une note à propos des quiz** : Tous les quiz sont contenus dans le [dossier Quiz App](../../quiz-app), pour un total de 52 quiz de trois questions chacun. Ils sont liés depuis les leçons mais l’application de quiz peut être exécutée localement ; suivez les instructions dans le dossier `quiz-app` pour héberger localement ou déployer sur Azure.
| Numéro de la leçon | Sujet | Regroupement de leçons | Objectifs d’apprentissage | Leçon liée | Auteur |
| 01 | Introduction à l’apprentissage automatique | [Introduction](1-Introduction/README.md) | Apprenez les concepts de base de l’apprentissage automatique | [Leçon](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | L’histoire de l’apprentissage automatique | [Introduction](1-Introduction/README.md) | Découvrez l’histoire sous-jacente à ce domaine | [Leçon](1-Introduction/2-history-of-ML/README.md) | Jen et Amy |
| 03 | Équité et apprentissage automatique | [Introduction](1-Introduction/README.md) | Quelles sont les importantes questions philosophiques autour de l’équité que les étudiants devraient considérer lors de la création et de l’application des modèles ML ? | [Leçon](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques pour l’apprentissage automatique | [Introduction](1-Introduction/README.md) | Quelles techniques les chercheurs en ML utilisent-ils pour construire des modèles ML ? | [Leçon](1-Introduction/4-techniques-of-ML/README.md) | Chris et Jen |
| 05 | Introduction à la régression | [Régression](2-Regression/README.md) | Commencez avec Python et Scikit-learn pour les modèles de régression | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Visualiser et nettoyer les données en préparation du ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Construire des modèles de régression linéaire et polynomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen et Dmitry • Eric Wanjau |
| 08 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Construire un modèle de régression logistique | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Une application web 🔌 | [Web App](3-Web-App/README.md) | Construire une application web pour utiliser votre modèle entraîné | [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 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen et Cassie • Eric Wanjau |
| 11 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Introduction aux classificateurs | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen et Cassie • Eric Wanjau |
| 12 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Plus de classificateurs | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen et Cassie • Eric Wanjau |
| 13 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Construire une application web de recommandation 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 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Explorer les goûts musicaux nigérians 🎧 | [Clustering](5-Clustering/README.md) | Explorer la méthode de clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduction au traitement du langage naturel ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Apprenez les bases du NLP en construisant un bot simple | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tâches courantes du NLP ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Approfondissez vos connaissances en NLP en comprenant les tâches courantes nécessaires lors du traitement des structures linguistiques | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduction et analyse de sentiments ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Traduction et analyse de 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 avec des avis 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 avec des avis d’hôtels 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduction à la prévision des séries temporelles | [Séries temporelles](7-TimeSeries/README.md) | Introduction à la prévision des séries temporelles | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Utilisation mondiale d’énergie ⚡️ - prévision avec ARIMA | [Séries temporelles](7-TimeSeries/README.md) | Prévision des séries temporelles avec ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Utilisation mondiale d’énergie ⚡️ - prévision avec SVR | [Séries temporelles](7-TimeSeries/README.md) | Prévision des séries temporelles avec Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduction à l’apprentissage par renforcement | [Apprentissage par renforcement](8-Reinforcement/README.md) | Introduction au reinforcement learning 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) | Gym d’apprentissage par renforcement | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postface | Scénarios et applications ML dans le monde réel | [ML dans la nature](9-Real-World/README.md) | Applications réelles intéressantes et révélatrices du ML classique | [Leçon](9-Real-World/1-Applications/README.md) | Équipe |
| Postface | Débogage des modèles ML avec le tableau de bord RAI | [ML dans la nature](9-Real-World/README.md) | Débogage des modèles d’apprentissage automatique avec le tableau de bord Responsible AI | [Leçon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Une note sur les langues** : Ces leçons sont principalement écrites en Python, mais beaucoup sont également disponibles en R. Pour compléter une leçon en R, rendez-vous dans le dossier `/solution` et cherchez les leçons en R. Elles incluent une extension .rmd qui représente un fichier **R Markdown**, qui peut être simplement défini comme une intégration de `blocs de code` (en R ou d'autres langages) et un `en-tête YAML` (qui guide la mise en forme des sorties telles que PDF) dans un `document Markdown`. En tant que tel, il sert de cadre exemplaire d’écriture pour la science des données car il vous permet de combiner votre code, ses résultats, et vos réflexions en vous autorisant à les écrire en Markdown. De plus, les documents R Markdown peuvent être rendus dans des formats de sortie tels que PDF, HTML ou Word.
> **Une note sur les quiz** : Tous les quiz sont contenus dans le [dossier Quiz App](../../quiz-app), pour un total de 52 quiz composés chacun de trois questions. Ils sont liés depuis les leçons, mais l’application de quiz peut être exécutée localement ; suivez les instructions dans le dossier `quiz-app` pour héberger ou déployer localement sur Azure.
| Numéro de la leçon | Sujet | Groupement de la leçon | Objectifs d'apprentissage | Leçon liée | Auteur |
| 01 | Introduction à l'apprentissage machine | [Introduction](1-Introduction/README.md) | Apprenez les concepts de base derrière l'apprentissage machine | [Leçon](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | L’historique de l'apprentissage machine | [Introduction](1-Introduction/README.md) | Découvrez l'histoire sous-jacente de ce domaine | [Leçon](1-Introduction/2-history-of-ML/README.md) | Jen et Amy |
| 03 | L’équité et l'apprentissage machine | [Introduction](1-Introduction/README.md) | Quels sont les enjeux philosophiques importants autour de l’équité à considérer lors de la construction et l’application de modèles ML ? | [Leçon](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques d'apprentissage machine | [Introduction](1-Introduction/README.md) | Quelles techniques les chercheurs en apprentissage machine utilisent-ils pour construire leurs modèles ML ? | [Leçon](1-Introduction/4-techniques-of-ML/README.md) | Chris et Jen |
| 05 | Introduction à la régression | [Regression](2-Regression/README.md) | Commencez avec Python et Scikit-learn pour les modèles de régression | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prix des citrouilles en Amérique du Nord 🎃 | [Regression](2-Regression/README.md) | Visualisez et nettoyez les données en préparation pour l’apprentissage machine | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prix des citrouilles en Amérique du Nord 🎃 | [Regression](2-Regression/README.md) | Construisez des modèles de régression linéaire et polynomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen et Dmitry • Eric Wanjau |
| 08 | Prix des citrouilles en Amérique du Nord 🎃 | [Regression](2-Regression/README.md) | Construisez un modèle de régression logistique | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Une application Web 🔌 | [Web App](3-Web-App/README.md) | Construisez une application web pour utiliser votre modèle entraîné | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduction à la classification | [Classification](4-Classification/README.md) | Nettoyez, préparez et visualisez vos données ; introduction à la classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen et Cassie • Eric Wanjau |
| 11 | Cuisines délicieuses asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Introduction aux classificateurs | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen et Cassie • Eric Wanjau |
| 12 | Cuisines délicieuses asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Plus de classificateurs | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen et Cassie • Eric Wanjau |
| 13 | Cuisines délicieuses asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Construisez 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) | Nettoyez, préparez et visualisez vos données ; introduction au clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Exploration des goûts musicaux nigérians 🎧 | [Clustering](5-Clustering/README.md) | Explorez la méthode de clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduction au traitement du langage naturel ☕️ | [Natural language processing](6-NLP/README.md) | Apprenez les bases du TAL en construisant un bot simple | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tâches courantes en TAL ☕️ | [Natural language processing](6-NLP/README.md) | Approfondissez vos connaissances sur le TAL en comprenant les tâches courantes nécessaires à la manipulation des structures linguistiques | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduction et analyse de sentiment ♥️ | [Natural language processing](6-NLP/README.md) | Traduction et analyse de sentiment avec Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hôtels romantiques d’Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analyse des sentiments avec les avis d’hôtel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hôtels romantiques d’Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analyse des sentiments avec les avis d’hôtel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduction à la prévision de séries temporelles | [Time series](7-TimeSeries/README.md) | Introduction à la prévision de séries temporelles | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Utilisation mondiale de l’électricité ⚡️ - prévision temporelle avec ARIMA | [Time series](7-TimeSeries/README.md) | Prévision de séries temporelles avec ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Utilisation mondiale de l’électricité ⚡️ - prévision temporelle avec SVR | [Time series](7-TimeSeries/README.md) | Prévision de séries temporelles avec Support Vector Regressor| [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduction à l’apprentissage par renforcement | [Reinforcement learning](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 ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Apprentissage par renforcement Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscriptum | Scénarios et applications ML réels | [ML in the Wild](9-Real-World/README.md) | Applications intéressantes et révélatrices du ML classique | [Leçon](9-Real-World/1-Applications/README.md) | Équipe |
| Postscriptum | Débogage de modèles ML avec le tableau de bord RAI | [ML in the Wild](9-Real-World/README.md) | Débogage de modèles en apprentissage machine avec les composants du tableau de bord Responsible AI | [Leçon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [trouvez toutes les ressources supplémentaires pour ce cours dans notre collection Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Accès hors ligne
Vous pouvez exécuter cette documentation hors ligne en utilisant [Docsify](https://docsify.js.org/#/). Forkez ce dépôt, [installez Docsify](https://docsify.js.org/#/quickstart) sur votre machine locale, puis dans le dossier racine de ce dépôt, tapez `docsify serve`. Le site web sera servi sur le port 3000 sur votre localhost : `localhost:3000`.
Vous pouvez consulter cette documentation hors ligne en utilisant [Docsify](https://docsify.js.org/#/). Forkez ce dépôt, [installez Docsify](https://docsify.js.org/#/quickstart) sur votre machine locale, puis dans le dossier racine de ce dépôt, tapez `docsify serve`. Le site web sera servi sur le port 3000 de votre localhost : `localhost:3000`.
## PDFs
Trouvez un pdf du programme avec les liens [ici](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Trouvez un PDF du programme avec liens [ici](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Autres Cours
## 🎒 Autres Cours
Notre équipe produit d’autres cours ! Découvrez :
Notre équipe produit d'autres cours ! Découvrez :
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série d’IA générative
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Si vous êtes bloqué ou avez des questions sur la création d'applications IA. Rejoignez d'autres apprenants et développeurs expérimentés dans les discussions sur MCP. C'est une communauté bienveillante où les questions sont les bienvenues et le savoir est partagé librement.
Si vous êtes bloqué ou si vous avez des questions concernant la création d’applications IA. Rejoignez d’autres apprenants et développeurs expérimentés dans des discussions sur MCP. C’est une communauté solidaire où les questions sont les bienvenues et le partage de connaissance est libre.
Si vous avez des retours produit ou des erreurs lors du développement, visitez :
Si vous avez des retours produit ou rencontrez des erreurs lors du développement, visitez :
[](https://aka.ms/foundry/forum)
- Revoyez les notebooks après chaque leçon pour mieux comprendre.
- Pratiquez la mise en œuvre des algorithmes par vous-même.
- Explorez des jeux de données réels en utilisant les concepts appris.
- Revoir les notebooks après chaque leçon pour une meilleure compréhension.
- Pratiquer l’implémentation des algorithmes par vous-même.
- Explorer des ensembles de données réels en utilisant les concepts appris.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Avertissement** :
Ce document a été traduit à l’aide du service de traduction IA [Co-op Translator](https://github.com/Azure/co-op-translator). Bien que nous nous efforçons d’assurer la précision, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue native doit être considéré comme la source faisant foi. Pour les informations critiques, une traduction professionnelle humaine est recommandée. Nous ne pouvons être tenus responsables des malentendus ou erreurs d’interprétation résultant de l’utilisation de cette traduction.
Ce document a été traduit à l’aide du service de traduction automatique [Co-op Translator](https://github.com/Azure/co-op-translator). Bien que nous nous efforçons d’assurer l’exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d’origine doit être considéré comme la source faisant foi. Pour les informations critiques, une traduction professionnelle humaine est recommandée. Nous ne sommes pas responsables des malentendus ou des erreurs d’interprétation résultant de l’utilisation de cette traduction.
localizeflow[bot]
3 months ago