[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [](http://makeapullrequest.com) [](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [](https://GitHub.com/microsoft/ML-For-Beginners/network/) [](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Support multilingue #### Pris en charge via GitHub Action (Automatisé et toujours à jour) [Français](./README.md) | [Espagnol](../es/README.md) | [Allemand](../de/README.md) | [Russe](../ru/README.md) | [Arabe](../ar/README.md) | [Persan (Farsi)](../fa/README.md) | [Ourdou](../ur/README.md) | [Chinois (Simplifié)](../zh/README.md) | [Chinois (Traditionnel, Macao)](../mo/README.md) | [Chinois (Traditionnel, Hong Kong)](../hk/README.md) | [Chinois (Traditionnel, Taïwan)](../tw/README.md) | [Japonais](../ja/README.md) | [Coréen](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Népalais](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portugais (Portugal)](../pt/README.md) | [Portugais (Brésil)](../br/README.md) | [Italien](../it/README.md) | [Polonais](../pl/README.md) | [Turc](../tr/README.md) | [Grec](../el/README.md) | [Thaï](../th/README.md) | [Suédois](../sv/README.md) | [Danois](../da/README.md) | [Norvégien](../no/README.md) | [Finnois](../fi/README.md) | [Néerlandais](../nl/README.md) | [Hébreu](../he/README.md) | [Vietnamien](../vi/README.md) | [Indonésien](../id/README.md) | [Malais](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hongrois](../hu/README.md) | [Tchèque](../cs/README.md) | [Slovaque](../sk/README.md) | [Roumain](../ro/README.md) | [Bulgare](../bg/README.md) | [Serbe (Cyrillique)](../sr/README.md) | [Croate](../hr/README.md) | [Slovène](../sl/README.md) | [Ukrainien](../uk/README.md) | [Birman (Myanmar)](../my/README.md) #### Rejoignez notre communauté [](https://aka.ms/ml4beginners/discord) Nous organisons une série d'apprentissage avec l'IA 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 découvrirez des astuces pour utiliser GitHub Copilot en science des données.  # Apprentissage automatique pour débutants - Un programme > 🌍 Voyagez à travers le monde en explorant l'apprentissage automatique à travers les cultures 🌍 Les Cloud Advocates de Microsoft sont ravis de proposer un programme de 12 semaines et 26 leçons dédié à l'**apprentissage automatique**. Dans ce programme, vous découvrirez ce qu'on appelle parfois l'**apprentissage automatique classique**, en utilisant principalement la bibliothèque Scikit-learn et en évitant l'apprentissage profond, qui est couvert dans notre [programme "IA pour débutants"](https://aka.ms/ai4beginners). Associez ces leçons à notre programme ['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 provenant 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 devoir, et bien plus encore. Notre pédagogie basée sur les projets vous permet d'apprendre tout en construisant, une méthode éprouvée pour que les nouvelles compétences soient bien assimilées. **✍️ 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 **🙏 Remerciements spéciaux 🙏 à nos Microsoft Student Ambassadors auteurs, 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 **🤩 Une gratitude supplémentaire envers les Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons en R !** # Pour 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` > [Retrouvez 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) **[Étudiants](https://aka.ms/student-page)**, pour utiliser ce programme, forkez l'intégralité du dépôt sur votre propre compte GitHub et complétez les exercices seuls ou en groupe : - Commencez par un quiz avant la leçon. - Lisez la leçon et complétez les activités, en vous arrêtant et en réfléchissant à chaque vérification des connaissances. - Essayez de créer les projets en comprenant les leçons plutôt qu'en exécutant le code de solution ; cependant, ce code est disponible dans les dossiers `/solution` de chaque leçon orientée projet. - Passez le quiz après la leçon. - Complétez 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 le PAT approprié. Un 'PAT' est un outil d'évaluation des progrès, une grille que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PATs pour que nous puissions apprendre ensemble. > Pour approfondir vos connaissances, nous vous recommandons de suivre ces modules et parcours [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 programme. --- ## Vidéos explicatives Certaines leçons sont disponibles sous forme de vidéos courtes. Vous pouvez les retrouver directement dans les leçons ou sur la [playlist "ML for Beginners" de la chaîne YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) en cliquant sur l'image ci-dessous. [](https://aka.ms/ml-beginners-videos) --- ## Rencontrez l'équipe [](https://youtu.be/Tj1XWrDSYJU) **Gif par** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 Cliquez sur l'image ci-dessus pour une vidéo sur le projet et les personnes qui l'ont créé ! --- ## Pédagogie Nous avons choisi deux principes pédagogiques en concevant ce programme : garantir qu'il est basé sur des **projets pratiques** et qu'il inclut des **quiz fréquents**. De plus, ce programme a un **thème commun** pour lui donner de la cohérence. En alignant le contenu avec des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts est augmentée. De plus, un quiz à faible enjeu avant un cours oriente l'intention de l'étudiant vers l'apprentissage d'un sujet, tandis qu'un deuxième quiz après le cours assure une meilleure rétention. Ce programme a été conçu pour être flexible et amusant et peut être suivi en totalité ou en partie. Les projets commencent 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 comme base de discussion. > Retrouvez notre [Code de conduite](CODE_OF_CONDUCT.md), nos [Directives de contribution](CONTRIBUTING.md), et nos [Directives de traduction](TRANSLATIONS.md). Nous accueillons vos retours constructifs ! ## Chaque leçon inclut - un sketchnote optionnel - une vidéo complémentaire optionnelle - une vidéo explicative (certaines leçons uniquement) - [quiz d'échauffement avant la leçon](https://ff-quizzes.netlify.app/en/ml/) - leçon écrite - pour les leçons basées sur des projets, des guides étape par étape pour construire le projet - vérifications des connaissances - un défi - lecture complémentaire - devoir - [quiz après la leçon](https://ff-quizzes.netlify.app/en/ml/) > **Note sur les langages** : 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**, 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 comme PDF) dans un `document Markdown`. Ainsi, il sert de cadre exemplaire pour la science des données puisqu'il permet de combiner votre code, ses résultats, 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. > **Note sur les 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 dans les leçons, mais l'application de quiz peut être exécutée localement ; suivez les instructions dans le dossier `quiz-app` pour l'héberger localement ou la déployer sur Azure. | Numéro de 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 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) | Quels sont les enjeux philosophiques importants autour de l'équité que les étudiants doivent considérer lorsqu'ils construisent et appliquent des modèles d'IA ? | [Leçon](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | Techniques pour l'apprentissage automatique | [Introduction](1-Introduction/README.md) | Quelles techniques les chercheurs en IA utilisent-ils pour construire des modèles d'IA ? | [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) | Visualisez et nettoyez les données en préparation pour l'IA | [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 | 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) | 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 ☕️ | [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 liées aux 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 les avis sur les 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 les avis sur les 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 de l'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 de l'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 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 pour l'apprentissage par renforcement | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Scénarios et applications réels de l'IA | [IA dans la nature](9-Real-World/README.md) | Applications réelles intéressantes et révélatrices de l'IA classique | [Leçon](9-Real-World/1-Applications/README.md) | Équipe | | Postscript | Débogage de modèles IA avec le tableau de bord RAI | [IA dans la nature](9-Real-World/README.md) | Débogage de modèles d'IA en utilisant les composants du tableau de bord Responsible AI | [Leçon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [retrouvez 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/#/). Clonez 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 accessible sur le port 3000 de votre localhost : `localhost:3000`. ## PDFs Trouvez un PDF du programme avec des liens [ici](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 Autres cours Notre équipe propose d'autres cours ! Découvrez : - [Edge AI pour les débutants](https://aka.ms/edgeai-for-beginners) - [Agents IA pour les débutants](https://aka.ms/ai-agents-beginners) - [IA générative pour les débutants](https://aka.ms/genai-beginners) - [IA générative pour les débutants .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [IA générative avec JavaScript](https://github.com/microsoft/generative-ai-with-javascript) - [IA générative avec Java](https://github.com/microsoft/Generative-AI-for-beginners-java) - [IA pour les débutants](https://aka.ms/ai-beginners) - [Science des données pour les débutants](https://aka.ms/datascience-beginners) - [IA pour les débutants](https://aka.ms/ml-beginners) - [Cybersécurité pour les débutants](https://github.com/microsoft/Security-101) - [Développement web pour les débutants](https://aka.ms/webdev-beginners) - [IoT pour les débutants](https://aka.ms/iot-beginners) - [Développement XR pour les débutants](https://github.com/microsoft/xr-development-for-beginners) - [Maîtriser GitHub Copilot pour la programmation en binôme](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [Maîtriser GitHub Copilot pour les développeurs C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [Choisissez votre propre aventure Copilot](https://github.com/microsoft/CopilotAdventures) ## Obtenir de l'aide Si vous êtes bloqué ou avez des questions sur la création d'applications IA, rejoignez : [](https://aka.ms/foundry/discord) Si vous avez des retours sur le produit ou des erreurs lors de la création, visitez : [](https://aka.ms/foundry/forum) --- **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 automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction humaine professionnelle. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.