24 KiB
Machine Learning pour Débutants - Un Curriculum
🌍 Voyagez autour du monde en explorant le Machine Learning à travers les cultures du monde 🌍
Les Cloud Advocates chez Microsoft sont ravis de proposer un curriculum de 12 semaines, comprenant 26 leçons, entièrement consacré au Machine Learning. Dans ce curriculum, vous découvrirez ce que l'on appelle parfois le machine learning classique, en utilisant principalement Scikit-learn comme bibliothèque et en évitant l'apprentissage profond, qui est abordé dans notre curriculum AI pour Débutants. Associez ces leçons à notre curriculum 'Data Science pour Débutants' également !
Voyagez avec nous à travers le monde alors que nous appliquons 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, une tâche et plus encore. Notre pédagogie axée sur des projets vous permet d'apprendre en construisant, une méthode éprouvée pour que de nouvelles compétences "s'ancrent".
✍️ 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 auteurs, réviseurs et contributeurs de contenu Microsoft Student Ambassador, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, et Snigdha Agarwal
🤩 Une gratitude supplémentaire aux Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons R !
Prise en Main
Suivez ces étapes :
- Forkez le dépôt : Cliquez sur le bouton "Fork" dans le coin supérieur droit de cette page.
- 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
Étudiants, pour utiliser ce curriculum, fork le dépôt entier sur votre propre compte GitHub et complétez les exercices seul ou en groupe :
- Commencez par un quiz pré-lecture.
- 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
/solutionde chaque leçon orientée projet. - Prenez le quiz post-lecture.
- Complétez le défi.
- Complétez l'affectation.
- Après avoir terminé un groupe de leçons, visitez le Forum de Discussion et "apprenez à voix haute" en remplissant le ruban PAT approprié. Un 'PAT' est un Outil d'Évaluation de Progrès qui est un ruban que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir à d'autres PAT pour que nous puissions apprendre ensemble.
Pour des études supplémentaires, nous vous recommandons de suivre ces modules et parcours d'apprentissage Microsoft Learn.
Enseignants, nous avons inclus quelques suggestions sur la manière d'utiliser ce curriculum.
Vidéos explicatives
Certaines des leçons sont disponibles sous forme de courtes vidéos. Vous pouvez les trouver intégrées dans les leçons, ou sur la playlist ML pour Débutants sur la chaîne YouTube des Développeurs Microsoft en cliquant sur l'image ci-dessous.
Rencontrez l'Équipe
Gif par Mohit Jaisal
🎥 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 lors de la création de ce curriculum : garantir qu'il soit pratique basé sur des projets et qu'il inclut des quiz fréquents. De plus, ce curriculum a un thème commun pour lui donner de la cohésion.
En s'assurant que le contenu s'aligne sur les projets, le processus devient plus engageant pour les étudiants et la rétention des concepts sera améliorée. De plus, un quiz à faible enjeu avant un cours fixe l'intention de l'étudiant d'apprendre un sujet, tandis qu'un second quiz après le cours assure une rétention supplémentaire. Ce curriculum a été conçu pour être flexible et amusant et peut être suivi dans son intégralité ou en partie. Les projets commencent petits et deviennent de plus en plus complexes à la fin du cycle de 12 semaines. Ce curriculum inclut également un post-scriptum sur les applications réelles du ML, qui peut être utilisé comme crédit supplémentaire ou comme base de discussion.
Trouvez notre Code de Conduite, Contributions, et Traduction directives. Nous accueillons vos retours constructifs !
Chaque leçon comprend
- sketchnote optionnel
- vidéo complémentaire optionnelle
- vidéo explicative (certaines leçons uniquement)
- quiz de réchauffement pré-lecture
- leçon écrite
- pour les leçons basées sur des projets, guides étape par étape sur comment construire le projet
- vérifications des connaissances
- un défi
- lecture complémentaire
- affectation
- quiz post-lecture
Une note sur les langues : Ces leçons sont principalement écrites en Python, mais beaucoup sont également disponibles en R. Pour compléter une leçon R, allez dans le dossier
/solutionet recherchez les leçons R. Elles incluent une extension .rmd qui représente un R Markdown qui peut être simplement défini comme une intégration decode chunks(de R ou d'autres langages) et unYAML header(qui guide comment formater les sorties telles que PDF) dans unMarkdown document. En tant que tel, il sert de cadre d'écriture exemplaire pour la science des données car il vous permet de combiner votre code, sa sortie, et vos réflexions en vous permettant de 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, 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-apppour héberger localement ou déployer sur Azure.
| Numéro de leçon | Sujet | Regroupement de leçons | Objectifs d'apprentissage | Leçon liée | Auteur |
|---|---|---|---|---|---|
| 01 | Introduction au machine learning | Introduction | Apprendre les concepts de base derrière le machine learning | Leçon | Muhammad |
| 02 | L'Histoire du machine learning | Introduction | Apprendre l'histoire sous-jacente à ce domaine | Leçon | Jen et Amy |
| 03 | Équité et machine learning | Introduction | Quelles sont les questions philosophiques importantes concernant l'équité que les étudiants devraient considérer lors de la construction et de l'application de modèles ML ? | Leçon | Tomomi |
| 04 | Teknik pou aprantisaj machin | [Entwodiksyon](1-Introduction/README.md) | Ki teknik rechèchè ML yo itilize pou konstwi modèl ML? | [Leson](1-Introduction/4-techniques-of-ML/README.md) | Chris ak Jen |
| 05 | Entwodiksyon sou regresyon | [Regresyon](2-Regression/README.md) | Kòmanse ak Python ak Scikit-learn pou modèl regresyon | <ul><li>[Python](2-Regression/1-Tools/README.md)</li><li>[R](../../2-Regression/1-Tools/solution/R/lesson_1.html)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 06 | Pri joumou nan Amerik di Nò 🎃 | [Regresyon](2-Regression/README.md) | Vizyalize ak netwaye done yo anvan ML | <ul><li>[Python](2-Regression/2-Data/README.md)</li><li>[R](../../2-Regression/2-Data/solution/R/lesson_2.html)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 07 | Pri joumou nan Amerik di Nò 🎃 | [Regresyon](2-Regression/README.md) | Konstwi modèl regresyon lineyè ak polinomial | <ul><li>[Python](2-Regression/3-Linear/README.md)</li><li>[R](../../2-Regression/3-Linear/solution/R/lesson_3.html)</li></ul> | <ul><li>Jen ak Dmitry</li><li>Eric Wanjau</li></ul> |
| 08 | Pri joumou nan Amerik di Nò 🎃 | [Regresyon](2-Regression/README.md) | Konstwi yon modèl regresyon lojistik | <ul><li>[Python](2-Regression/4-Logistic/README.md) </li><li>[R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 09 | Yon Aplikasyon Web 🔌 | [Aplikasyon Web](3-Web-App/README.md) | Konstwi yon aplikasyon web pou itilize modèl ou an | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Entwodiksyon sou klasifikasyon | [Klasifikasyon](4-Classification/README.md) | Netwaye, prepare, ak vizyalize done ou; entwodiksyon sou klasifikasyon | <ul><li> [Python](4-Classification/1-Introduction/README.md) </li><li>[R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | <ul><li>Jen ak Cassie</li><li>Eric Wanjau</li></ul> |
| 11 | Bon gou kwizin Azi ak End 🍜 | [Klasifikasyon](4-Classification/README.md) | Entwodiksyon sou klasifikatè | <ul><li> [Python](4-Classification/2-Classifiers-1/README.md)</li><li>[R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | <ul><li>Jen ak Cassie</li><li>Eric Wanjau</li></ul> |
| 12 | Bon gou kwizin Azi ak End 🍜 | [Klasifikasyon](4-Classification/README.md) | Plis klasifikatè | <ul><li> [Python](4-Classification/3-Classifiers-2/README.md)</li><li>[R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | <ul><li>Jen ak Cassie</li><li>Eric Wanjau</li></ul> |
| 13 | Bon gou kwizin Azi ak End 🍜 | [Klasifikasyon](4-Classification/README.md) | Konstwi yon aplikasyon web rekòmandatè ak modèl ou an | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Entwodiksyon sou klasman | [Klasman](5-Clustering/README.md) | Netwaye, prepare, ak vizyalize done ou; Entwodiksyon sou klasman | <ul><li> [Python](5-Clustering/1-Visualize/README.md)</li><li>[R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 15 | Exploring Nigerian Musical Tastes 🎧 | [Clustering](5-Clustering/README.md) | Découvrez la méthode de clustering K-Means | <ul><li> [Python](5-Clustering/2-K-Means/README.md)</li><li>[R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 16 | Introduction à la traitement du langage naturel ☕️ | [Natural language processing](6-NLP/README.md) | Apprenez les bases du traitement du langage naturel en créant un bot simple | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tâches courantes en traitement du langage naturel ☕️ | [Natural language processing](6-NLP/README.md) | Approfondissez vos connaissances en traitement du langage naturel en comprenant les tâches courantes nécessaires 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 d'Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analyse de sentiment avec des avis d'hôtels 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hôtels romantiques d'Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analyse de sentiment avec des avis d'hôtels 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduction à la prévision des séries temporelles | [Time series](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 des séries temporelles avec ARIMA | [Time series](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 des séries temporelles avec SVR | [Time series](7-TimeSeries/README.md) | Prévision des séries temporelles avec le 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) | Gym d'apprentissage par renforcement | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scénarios et applications réels de l'apprentissage automatique | [ML in the Wild](9-Real-World/README.md) | Applications intéressantes et révélatrices de l'apprentissage automatique classique | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Débogage de modèles en ML à l'aide du tableau de bord RAI | [ML in the Wild](9-Real-World/README.md) | Débogage de modèles en apprentissage automatique à l'aide des composants du tableau de bord d'IA responsable | [Lesson](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 sera servi sur le port 3000 sur votre localhost : `localhost:3000`.
## PDFs
Find a pdf of the curriculum with links here.
Help Wanted
Would you like to contribute a translation? Please read our translation guidelines and add a templated issue to manage the workload here.
Other Curricula
Our team produces other curricula! Check out:
- AI for Beginners
- Data Science for Beginners
- New Version 2.0 - Generative AI for Beginners
- NEW Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- Machine Learning for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for AI Paired Programming
I'm sorry, but I can't translate text into "mo" as it doesn't specify a recognized language or dialect. If you meant "Moldovan" or "Romanian," please clarify, and I'll be happy to assist!