@ -170,7 +170,7 @@ Our team produces other courses! Check out:
### 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)
@ -169,7 +169,7 @@ Our team produces other courses! Check out:
### 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)
---
### Azure / Edge / MCP / Agents
@ -219,5 +219,5 @@ If you have product feedback or errors while building visit:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
This document has been translated using the AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). While we strive for accuracy, please be aware that automated translations may contain errors or inaccuracies. The original document in its native language should be considered the authoritative source. For critical information, professional human translation is recommended. We are not liable for any misunderstandings or misinterpretations arising from the use of this translation.
This document has been translated using the AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). While we strive for accuracy, please note that automated translations may contain errors or inaccuracies. The original document in its original language should be considered the authoritative source. For critical information, professional human translation is recommended. We are not responsible for any misunderstandings or misinterpretations resulting from the use of this translation.
[](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/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
@ -17,166 +17,165 @@
> **¿Prefieres clonar localmente?**
> Este repositorio incluye más de 50 traducciones de idiomas que aumentan significativamente el tamaño de la descarga. Para clonar sin traducciones, usa checkout esparcido:
> Este repositorio incluye traducciones en más de 50 idiomas, lo que aumenta significativamente el tamaño de la descarga. Para clonar sin traducciones, usa sparse checkout:
Tenemos una serie en Discord para aprender con IA en curso, aprende más y únete en [Learn with AI Series](https://aka.ms/learnwithai/discord) del 18 al 30 de septiembre de 2025. Obtendrás consejos y trucos para usar GitHub Copilot en Ciencia de Datos.
Tenemos una serie en Discord para aprender con IA en curso, obtén más información 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 en Ciencia de Datos.
# Aprendizaje Automático para Principiantes - Un Plan de Estudios
# Aprendizaje Automático para Principiantes - Un Currículo
> 🌍 Viaja por el mundo mientras exploramos el Aprendizaje Automático mediante culturas del mundo 🌍
> 🌍 Viaja por el mundo mientras exploramos el Aprendizaje Automático a través de las culturas mundiales 🌍
Los defensores de la nube en Microsoft se complacen en ofrecer un plan de estudios de 12 semanas y 26 lecciones sobre **Aprendizaje Automático**. En este plan de estudios, aprenderás sobre lo que a veces se llama **aprendizaje automático clásico**, usando principalmente Scikit-learn como biblioteca y evitando el aprendizaje profundo, que está cubierto en nuestro [plan de estudios de IA para Principiantes](https://aka.ms/ai4beginners). Combina estas lecciones con nuestro ['Ciencia de Datos para Principiantes'](https://aka.ms/ds4beginners), ¡también!
Los Cloud Advocates de Microsoft se complacen en ofrecer un currículo de 12 semanas y 26 lecciones 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 de IA para principiantes](https://aka.ms/ai4beginners). También puedes combinar estas lecciones con nuestro [currículo de Ciencia de Datos para Principiantes](https://aka.ms/ds4beginners).
Viaja con nosotros por todo el mundo mientras aplicamos estas técnicas clásicas a datos de muchas áreas del mundo. Cada lección incluye cuestionarios previos y posteriores, 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 las nuevas habilidades se fijen.
Viaja con nosotros alrededor del mundo mientras aplicamos estas técnicas clásicas a datos de muchas regiones. Cada lección incluye cuestionarios previos y posteriores, instrucciones escritas para completar la lección, una solución, una tarea y más. Nuestra pedagogía basada en proyectos te permite aprender mientras construyes, una forma comprobada para que las nuevas habilidades se afiancen.
**✍️ Un agradecimiento sincero 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
**✍️ 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
**🎨 También agradecemos a nuestros ilustradores** Tomomi Imura, Dasani Madipalli y Jen Looper
**🙏 Agradecimientos especiales 🙏 a nuestros autores, revisores y colaboradores de contenido Estudiantes Embajadores de Microsoft**, en especial 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 colaboradores de contenido de Microsoft Student Ambassador**, en particular Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila y Snigdha Agarwal
**🤩 Gratitud extra a los Estudiantes Embajadores de Microsoft Eric Wanjau, Jasleen Sondhi, y Vidushi Gupta por nuestras lecciones en R!**
**🤩 Gratitud extra a los Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi y Vidushi Gupta por nuestras lecciones en R!**
# Comenzando
Sigue estos pasos:
1. **Haz Fork del Repositorio**: Haz clic en el botón "Fork" en la esquina superior derecha de esta página.
1. **Bifurca el 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?** Consulta nuestra [Guía de Solución de Problemas](TROUBLESHOOTING.md) para soluciones a problemas comunes con la instalación, configuración y ejecución de lecciones.
> 🔧 **¿Necesitas ayuda?** Consulta nuestra [Guía de Solución de Problemas](TROUBLESHOOTING.md) para solucionar problemas comunes de instalación, configuración y ejecución de lecciones.
**[Estudiantes](https://aka.ms/student-page)**, para usar este currículo, bifurquen todo el repositorio en su propia cuenta de GitHub y completen los ejercicios solos o en grupo:
**[Estudiantes](https://aka.ms/student-page)**, para usar este plan de estudios, haz fork del repositorio completo en tu propia cuenta de GitHub y completa los ejercicios por tu cuenta o con un grupo:
- Comienza con un cuestionario previo a la lección.
- Lee la lección y completa las actividades, pausando y reflexionando en cada chequeo de conocimiento.
- Intenta crear los proyectos comprendiendo las lecciones en lugar de ejecutar el código de solución; sin embargo, ese código está disponible en las carpetas `/solution` en cada lección orientada a proyectos.
- Realiza el cuestionario posterior a 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" completando la rúbrica PAT correspondiente. Un 'PAT' es una Herramienta de Evaluación de Progreso que es una rúbrica que completas para profundizar tu aprendizaje. También puedes reaccionar a otros PATs para que aprendamos juntos.
- Empiecen con un cuestionario previo a la clase.
- Lean la lección y completen las actividades, haciendo pausas y reflexionando en cada verificación de conocimiento.
- Intenten crear los proyectos comprendiendo las lecciones en lugar de ejecutar el código solución; sin embargo ese código está disponible en las carpetas `/solution` en cada lección orientada a proyectos.
- Realicen el cuestionario posterior a la clase.
- Completen el desafío.
- Completen la tarea.
- Después de completar un grupo de lecciones, visiten el [Tablero de Discusión](https://github.com/microsoft/ML-For-Beginners/discussions) y "aprendan 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 PAT para aprender 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).
**Profesores**, hemos [incluido algunas sugerencias](for-teachers.md) sobre cómo usar este plan de estudios.
**Docentes**, hemos [incluido algunas sugerencias](for-teachers.md) sobre cómo usar este currículo.
---
## Videos explicativos
Algunas de las lecciones están disponibles en formato de video corto. Puedes encontrar todos estos en línea en 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.
Algunas lecciones están disponibles en formato video corto. Puedes encontrarlos en línea en las lecciones, o en la [lista de reproducción ML for Beginners en el canal de Microsoft Developer en YouTube](https://aka.ms/ml-beginners-videos) haciendo clic en la imagen abajo.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 ¡Haz clic en la imagen de 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 plan de estudios: asegurar que sea práctico y **basado en proyectos** y que incluya **cuestionarios frecuentes**. Además, este plan de estudios tiene un **tema común** para darle cohesión.
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.
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 plan de estudios fue diseñado para ser flexible y divertido y puede tomarse en su totalidad o en partes. Los proyectos comienzan pequeños y se vuelven cada vez más complejos hasta el final del ciclo de 12 semanas. Este plan de estudios también incluye un posfacio sobre aplicaciones reales de ML, que puede usarse como crédito extra o como base para discusión.
Al asegurar que el contenido se alinee con proyectos, el proceso es más atractivo para los estudiantes y se mejora la retención de conceptos. Además, un cuestionario de bajo riesgo antes de la clase enfoca al estudiante en aprender un tema, mientras que un segundo después asegura una retención mayor. Este currículo fue diseñado para ser flexible y divertido y puede tomarse en su totalidad o en parte. Los proyectos comienzan pequeños y se vuelven progresivamente más complejos hacia el final del ciclo de 12 semanas. Este currículo también incluye un posfacio sobre aplicaciones reales de ML, que puede usarse como crédito extra o como base para discusión.
> Consulta nuestras guías de [Código de Conducta](CODE_OF_CONDUCT.md), [Contribuciones](CONTRIBUTING.md), [Traducción](TRANSLATIONS.md) y [Solución de Problemas](TROUBLESHOOTING.md). ¡Agradecemos tus comentarios constructivos!
> Encuentra nuestras guías de [Código de Conducta](CODE_OF_CONDUCT.md), [Contribución](CONTRIBUTING.md), [Traducción](TRANSLATIONS.md) y [Solución de Problemas](TROUBLESHOOTING.md). ¡Esperamos tu retroalimentación constructiva!
## Cada lección incluye
- sketchnotes opcionales
- vídeo complementario opcional
- sketchnote opcional
- video suplementario opcional
- video explicativo (solo algunas lecciones)
- [cuestionario previo de calentamiento](https://ff-quizzes.netlify.app/en/ml/)
- [cuestionario previo a la lección](https://ff-quizzes.netlify.app/en/ml/)
- lección escrita
- para lecciones basadas en proyectos, guías paso a paso de cómo construir el proyecto
- chequeos de conocimiento
- para lecciones basadas en proyectos, guías paso a paso para construir el proyecto
- verificaciones de conocimiento
- un desafío
- lectura suplementaria
- lectura complementaria
- 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, ve a 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 combinación 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 la autoría en ciencia de datos, ya que te permite combinar tu código, su salida y tus pensamientos permitiéndote escribirlos en Markdown. Además, los documentos R Markdown pueden convertirse a formatos de salida 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 las lecciones, pero la aplicación del cuestionario se puede ejecutar localmente; siga las instrucciones en la carpeta `quiz-app` para alojar localmente o desplegar en Azure.
| Número de lección | Tema | Grupo 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 que subyace a 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 problemas filosóficos importantes 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 aprendizaje automático? | [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 calabaza en Norteamérica 🎃| [Regresión](2-Regression/README.md) | Visualizar y limpiar datos en preparación para el ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Precios de calabaza 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 calabaza 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 al agrupamiento | [Agrupamiento](5-Clustering/README.md) | Limpiar, preparar y visualizar tus datos; introducción al agrupamiento | [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 🎧 | [Agrupamiento](5-Clustering/README.md) | Explorar el método de agrupamiento 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 de lenguaje natural ☕️ | [Procesamiento de lenguaje natural](6-NLP/README.md) | Aprender lo básico sobre PLN construyendo un bot sencillo | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tareas comunes en PLN ☕️ | [Procesamiento de lenguaje natural](6-NLP/README.md) | Profundizar tu conocimiento en PLN entendiendo las tareas comunes requeridas al tratar con estructuras lingüísticas | [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 soporte (SVR)| [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introducción al aprendizaje por refuerzo | [Aprendizaje por refuerzo](8-Reinforcement/README.md) | Introducción a 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 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Posdata | Escenarios y aplicaciones reales de ML | [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 |
| Posdata | Depuración de modelos en ML usando el panel RAI | [ML en el mundo real](9-Real-World/README.md) | Depuración de modelos en Machine Learning usando componentes del panel de AI responsable | [Lección](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Una nota sobre los idiomas**: Estas lecciones están principalmente escritas 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 **R Markdown**, definido simplemente como la 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`. Por lo tanto, sirve como un excelente marco de trabajo 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 renderizarse 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. Están enlazados dentro de las lecciones, pero la aplicación de cuestionarios puede ejecutarse localmente; siga las instrucciones en la carpeta `quiz-app` para alojar localmente o desplegar 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 que subyace en 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 las cuestiones filosóficas importantes sobre equidad que los estudiantes deben considerar al construir y aplicar modelos 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 crear 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) | Crear 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 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) | Crear una aplicación web recomendadora usando tu modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introducción al agrupamiento | [Agrupamiento](5-Clustering/README.md) | Limpiar, preparar y visualizar datos; Introducción al agrupamiento | [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 🎧 | [Agrupamiento](5-Clustering/README.md)| Explorar el método de agrupamiento 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 de lenguaje natural ☕️ | [Procesamiento de lenguaje natural](6-NLP/README.md) | Aprender los fundamentos de 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) | Profundizar el conocimiento en PLN comprendiendo las tareas comunes requeridas para 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 | ⚡️ Consumo mundial de energía ⚡️ - predicción con ARIMA | [Series temporales](7-TimeSeries/README.md)| Predicción de series temporales con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo mundial de energía ⚡️ - predicción con SVR | [Series temporales](7-TimeSeries/README.md) | Predicción de series temporales con regresión 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 reales de ML | [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 usando el panel RAI | [ML en el mundo real](9-Real-World/README.md) | Depuración de modelos en aprendizaje automático utilizando 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 repositorio, escribe `docsify serve`. El sitio web será servido en el puerto 3000 en 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
¡Nuestro equipo produce otros cursos! Consulta:
¡Nuestro equipo produce otros cursos! Mira:
<!-- 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)
---
### Azure / Edge / MCP / Agentes
### 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/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
@ -188,7 +187,7 @@ Encuentra un pdf del currículo con enlaces [aquí](https://microsoft.github.io/
---
### Aprendizaje Central
### 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)
@ -200,24 +199,24 @@ 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 construir 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 se reciben preguntas con gusto y se comparte el conocimiento libremente.
[](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Aviso Legal**:
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 lograr 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 traducción profesional realizada por un humano. No nos hacemos responsables por malentendidos o interpretaciones erróneas derivados del uso de esta traducción.
**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 lograr 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 realizada por humanos. No nos hacemos responsables por malentendidos o interpretaciones erróneas derivadas del uso de esta traducción.
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
> Ce dépôt inclut plus de 50 traductions de langues, ce qui augmente considérablement la taille du téléchargement. Pour cloner sans les traductions, utilisez le checkout sparse :
> Ce dépôt inclut plus de 50 traductions linguistiques ce qui augmente significativement la taille du téléchargement. Pour cloner sans les traductions, utilisez le checkout sparse :
Nous avons une série Discord "learn with AI" 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 en Data Science.
Nous organisons une série Learn with AI sur Discord, 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.
# Machine Learning pour débutants - Un programme
# Apprentissage Automatique pour Débutants - Un Programme
> 🌍 Voyagez autour du monde en explorant le Machine Learning au travers des cultures mondiales 🌍
> 🌍 Parcourez le monde en explorant l'Apprentissage Automatique à travers les cultures mondiales 🌍
Les Cloud Advocates de Microsoft sont heureux d’offrir un programme de 12 semaines, 26 leçons consacré au **Machine Learning**. Dans ce programme, vous apprendrez ce que l’on appelle parfois le **machine learning classique**, utilisant principalement Scikit-learn comme bibliothèque et évitant le deep learning, couvert dans notre [programme AI pour débutants](https://aka.ms/ai4beginners). Associez ces leçons à notre [programme Data Science pour débutants](https://aka.ms/ds4beginners), aussi !
Les Cloud Advocates chez 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**, en utilisant principalement Scikit-learn comme bibliothèque et en évitant l'apprentissage profond, qui est abordé dans notre [programme AI for Beginners](https://aka.ms/ai4beginners). Associez ces leçons à notre ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), aussi !
Voyagez avec nous autour du monde en appliquant ces techniques classiques à des données de nombreuses régions. Chaque leçon inclut des quiz avant et après la leçon, des instructions écrites pour la compléter, une solution, un devoir, et plus encore. Notre pédagogie basée sur des projets vous permet d'apprendre en construisant, une méthode éprouvée pour ancrer les nouvelles compétences.
Voyagez avec nous autour du monde en appliquant ces techniques classiques sur des données de nombreuses régions. Chaque leçon inclut des quiz avant et après, des instructions écrites pour compléter 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 « 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, Ruth Yakubu, et Amy Boyd
**✍️ Remerciements chaleureux 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 auteurs étudiants ambassadeurs Microsoft, relecteurs, et contributeurs de contenu**, 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
**🤩 Merci tout spécial aux ambassadeurs étudiants Microsoft Eric Wanjau, Jasleen Sondhi et Vidushi Gupta pour nos leçons en R !**
**🤩 Remerciements spéciaux aux Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons R !**
# Premiers pas
# Démarrage
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. **Cloner le dépôt** : `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [tous les ressources supplémentaires pour ce cours sont dans notre collection Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [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 les solutions aux problèmes fréquents 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, de configuration et d’exécution des leçons.
**[Étudiants](https://aka.ms/student-page)**, pour utiliser ce programme, forkez le dépôt entier vers votre propre compte GitHub et faites les exercices seul ou en groupe :
**[Étudiants](https://aka.ms/student-page)**, pour utiliser ce programme, forkez le dépôt entier sur votre propre compte GitHub et réalisez les exercices seul ou en groupe :
- Commencez par un quiz pré-conférence.
- Lisez la leçon et complétez les activités, en faisant des pauses pour réfléchir à chaque vérification de connaissances.
- Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant directement le code de solution ; toutefois ce code est disponible dans les dossiers `/solution` de chaque leçon orientée projet.
- Faites le quiz post-conférence.
- Complétez le défi.
- Faites 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 aussi réagir aux PAT des autres pour apprendre ensemble.
- Lisez la leçon et complétez les activités, en faisant des pauses pour réfléchir à chaque contrôle de connaissance.
- Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant directement le code solution ; ce code est cependant disponible dans les dossiers `/solution` de chaque leçon orientée projet.
- Passez le quiz post-conférence.
- Réalisez le défi.
- Réalisez 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 de Progrès que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PAT pour apprendre ensemble.
> Pour continuer vos études, 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).
> 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) sur la manière d’utiliser ce curriculum.
**Enseignants**, nous avons [inclus quelques suggestions](for-teachers.md) sur l’utilisation de ce programme.
---
## Vidéos explicatives
Certaines leçons sont disponibles en format vidéo courte. Vous pouvez toutes les retrouver intégrées dans les leçons, ou dans la [playlist ML for Beginners sur la chaîne Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) en cliquant sur l’image ci-dessous.
Certaines leçons sont disponibles sous forme de vidéos courtes. Vous pouvez toutes les trouver en ligne dans les leçons ou sur la [playlist ML for Beginners sur 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)
> 🎥 Cliquez sur l’image ci-dessus pour une vidéo sur le projet et les personnes qui l’ont créé !
@ -97,79 +97,79 @@ Certaines leçons sont disponibles en format vidéo courte. Vous pouvez toutes l
## Pédagogie
Nous avons choisi deux principes pédagogiques lors de la construction de ce programme : garantir qu’il soit **pratique, axé sur les projets**, et qu’il intègre des **quiz fréquents**. De plus, ce programme a un **thème commun** pour lui donner de la cohésion.
Nous avons choisi deux principes pédagogiques pour ce programme : garantir qu’il soit pratique **basé sur des projets** et qu’il inclue des **quiz fréquents**. De plus, ce programme a un **thème** commun pour lui donner cohérence.
En s’assurant que le contenu est aligné sur des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts sera accrue. De plus, un quiz à faible enjeu avant la classe fixe l’intention d’apprentissage de l’étudiant, tandis qu’un deuxième quiz après la classe assure une meilleure rétention. Ce programme a été conçu pour être flexible et ludique, et peut être suivi en totalité ou partiellement. Les projets commencent petits et deviennent de plus en plus complexes à la fin des 12 semaines. Ce programme inclut également un post-scriptum sur les applications réelles du ML, qui peut être utilisé comme un travail supplémentaire ou comme base à une discussion.
En assurant que le contenu s’aligne avec des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts est augmentée. De plus, un quiz à enjeu faible avant le cours fixe l’intention d’apprentissage de l’étudiant, tandis qu’un second quiz après le cours assure une meilleure rétention. Ce programme est conçu pour être flexible et ludique, pouvant être suivi en totalité ou en partie. 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 des applications réelles du ML, utilisable comme crédit supplémentaire ou comme base de discussion.
> Trouvez nos guides [Code de conduite](CODE_OF_CONDUCT.md), [Contribution](CONTRIBUTING.md), [Traduction](TRANSLATIONS.md), et [Dépannage](TROUBLESHOOTING.md). Nous accueillons vos retours constructifs !
> Retrouvez notre [Code de conduite](CODE_OF_CONDUCT.md), [Contribuer](CONTRIBUTING.md), [Traduction](TRANSLATIONS.md) et [Dépannage](TROUBLESHOOTING.md). Vos retours constructifs sont les bienvenus !
> **Un mot sur les langues** : Ces leçons sont principalement écrites en Python, mais beaucoup sont aussi disponibles en R. Pour faire 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** que l’on peut simplement définir comme un mélange de `blocs de code` (en R ou autres langues) et d’`entête YAML` (qui guide la mise en forme des sorties comme PDF) dans un `document Markdown`. En ce sens, il sert de cadre idéal pour l’écriture en data science, puisqu’il vous permet de combiner votre code, sa sortie, et vos réflexions en les écrivant en Markdown. De plus, les documents R Markdown peuvent être exportés vers des formats comme 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 composés 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 ou déployer localement sur Azure.
| Numéro de la leçon | Sujet | Regroupement des leçons | 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'histoire de l'apprentissage machine | [Introduction](1-Introduction/README.md) | Apprenez l'histoire sous-jacente de ce domaine | [Leçon](1-Introduction/2-history-of-ML/README.md) | Jen et Amy |
| 03 | Équité et apprentissage machine | [Introduction](1-Introduction/README.md) | Quels sont les enjeux philosophiques importants autour de l'équité que les étudiants doivent considérer lors de la construction et de l'application de modèles ML ? | [Leçon](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques pour l'apprentissage machine | [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) | Débutez 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) | Visualisez et nettoyez les données en préparation pour le 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) | 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 🎃 | [Régression](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 🔌 | [Application Web](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 | Plats délicieux asiatiques et indiens 🍜 | [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 | Plats délicieux asiatiques et indiens 🍜 | [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 | Plats délicieux asiatiques et indiens 🍜 | [Classification](4-Classification/README.md) | Construisez une application web de recommandation utilisant votre modèle | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction à la classification | [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 ☕️ | [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 en NLP ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Approfondissez vos connaissances en NLP en comprenant les tâches courantes lors de la gestion 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 des 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 des sentiments avec des avis d'hôtels 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduction aux prévisions de séries temporelles | [Séries temporelles](7-TimeSeries/README.md) | Introduction à la prévision de séries temporelles | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consommation électrique mondiale ⚡️ - 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 | ⚡️ Consommation électrique mondiale ⚡️ - prévision de séries temporelles avec SVR | [Séries temporelles](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 | [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) | Gym d'apprentissage par renforcement | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Post-scriptum | Scénarios et applications ML du monde réel | [ML dans la nature](9-Real-World/README.md) | Applications intéressantes et révélatrices du ML classique dans le monde réel | [Leçon](9-Real-World/1-Applications/README.md) | Équipe |
| Post-scriptum | Débogage de modèles ML avec le tableau de bord RAI | [ML dans la nature](9-Real-World/README.md) | Débogage de modèles en apprentissage machine en utilisant les composants du tableau de bord AI Responsable | [Leçon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Note sur les langues** : Ces leçons sont principalement écrites en Python, mais beaucoup sont aussi disponibles en R. Pour compléter 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**, simplement défini comme un mélange de `blocs de code` (en R ou autres langages) et un `en-tête YAML` (guidant le format de sortie comme PDF) dans un `document Markdown`. En tant que tel, c’est un cadre d’auteurs exemplaire pour la science des données puisqu’il vous permet de combiner votre code, ses résultats, et vos pensées en les écrivant en Markdown. De plus, les documents R Markdown peuvent être rendus dans des formats de sortie comme PDF, HTML ou Word.
> **Une note à propos des quiz** : Tous les quiz sont contenus dans le dossier [Quiz App folder](../../quiz-app), pour un total de 52 quiz de trois questions chacun. Ils sont liés depuis les leçons mais l’application 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 la leçon | Objectifs d’apprentissage | Leçon liée | Auteur |
| 01 | Introduction à l’apprentissage automatique | [Introduction](1-Introduction/README.md) | Apprenez les concepts de base derrière 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) | Apprenez l’histoire sous-jacente de 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 doivent considérer lors de la construction et de l’application de 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 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 | [Regression](2-Regression/README.md) | Démarrer 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) | Visualiser et nettoyer les données en préparation pour l’apprentissage automatique | [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) | 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 🎃 | [Regression](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 | Plats délicieux asiatiques et indiens 🍜 | [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 | Plats délicieux asiatiques et indiens 🍜 | [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 | Plats délicieux asiatiques et indiens 🍜 | [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 ☕️ | [Natural language processing](6-NLP/README.md) | Apprenez les bases du NLP en construisant un simple bot |[Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tâches courantes en NLP ☕️ | [Natural language processing](6-NLP/README.md) | Approfondissez vos connaissances NLP en comprenant les tâches courantes requises pour traiter les 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 en Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analyse de sentiment avec des avis d’hôtel 1 |[Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hôtels romantiques en Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analyse de sentiment avec des 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’énergie ⚡️ - prévision de séries temporelles 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’énergie ⚡️ - prévision de séries temporelles 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 | Aider Peter à éviter le loup ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Environnement Gym pour apprentissage par renforcement | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postface | Scénarios et applications ML en conditions réelles | [ML in the Wild](9-Real-World/README.md) | Applications intéressantes et révélatrices du ML classique en conditions réelles | [Leçon](9-Real-World/1-Applications/README.md) | Équipe |
| Postface | Débogage de modèle en ML avec le tableau de bord RAI | [ML in the Wild](9-Real-World/README.md) | Débogage de modèle en apprentissage automatique 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 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 sera servi sur le port 3000 sur votre localhost : `localhost:3000`.
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 sera servi sur le port 3000 de votre localhost : `localhost:3000`.
## PDFs
Trouvez un pdf du programme avec liens [ici](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Trouvez un PDF du programme avec les 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)
---
### Azure / Edge / MCP / Agents
@ -180,7 +180,7 @@ Notre équipe produit d'autres cours ! Découvrez :
---
### Série Intelligence Artificielle Générative
### Série sur l’intelligence artificielle générative
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -188,7 +188,7 @@ Notre équipe produit d'autres cours ! Découvrez :
---
### Apprentissage Fondamental
### Apprentissage fondamental
[](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)
@ -207,17 +207,17 @@ Notre équipe produit d'autres cours ! Découvrez :
## Obtenir de l'aide
Si vous êtes bloqué ou si vous avez des questions sur la création d'applications IA. Rejoignez des apprenants et des développeurs expérimentés pour discuter du MCP. C'est une communauté bienveillante où les questions sont les bienvenues et le savoir est partagé librement.
Si vous êtes bloqué ou avez des questions sur la création d'applications IA, rejoignez d'autres apprenants et développeurs expérimentés pour des discussions sur MCP. C'est une communauté bienveillante où les questions sont les bienvenues et où la connaissance est partagée librement.
Si vous avez des retours sur les produits ou des erreurs lors du développement, rendez-vous sur :
Si vous avez des retours sur le produit ou des erreurs pendant le développement, visitez :
[](https://aka.ms/foundry/forum)
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 efforcions d’assurer la précision, veuillez noter que les traductions automatiques peuvent comporter 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, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous ne sommes pas responsables des malentendus ou interprétations erronées résultant de l’utilisation de cette traduction.
**Avertissement**:
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 efforcions d’assurer l’exactitude, veuillez noter que les traductions automatiques 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, il est recommandé de faire appel à une traduction professionnelle réalisée par un humain. Nous déclinons toute responsabilité en cas de malentendus ou d’interprétations erronées résultant de l’utilisation de cette traduction.
localizeflow[bot]
3 days ago