27 KiB

Raw Blame History Unescape Escape

🌐 Support multilingue

Pris en charge via GitHub Action (Automatisé et toujours à jour)

Rejoignez notre communauté

Nous organisons une série d'apprentissage avec l'IA sur Discord. Apprenez-en plus et rejoignez-nous à Learn with AI Series 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 autour du monde en explorant l'apprentissage automatique à travers les cultures mondiales 🌍

Les Cloud Advocates chez Microsoft sont ravis de proposer un programme de 12 semaines et 26 leçons dédié à l'apprentissage automatique. Dans ce programme, vous découvrirez ce que l'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". Associez ces leçons à notre programme 'Science des données pour débutants' 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 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 :

Forkez le dépôt : Cliquez sur le bouton "Fork" en haut à droite de cette page.
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

Étudiants, 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.
Complétez le devoir.
Après avoir terminé un groupe de leçons, visitez le Forum de discussion et "apprenez à voix haute" en remplissant la grille PAT appropriée. Un 'PAT' est un outil d'évaluation des progrès, une grille que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux PAT des autres pour que nous puissions apprendre ensemble.

Pour approfondir vos connaissances, nous vous recommandons de suivre ces modules et parcours d'apprentissage Microsoft Learn.

Enseignants, nous avons inclus quelques suggestions sur la façon 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 sur la chaîne YouTube Microsoft Developer 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 en construisant ce programme : garantir qu'il soit basé sur des projets pratiques et qu'il inclue 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 second quiz après le cours assure une meilleure rétention. Ce programme a été conçu pour être flexible et amusant et peut être suivi en totalité ou en partie. Les projets commencent 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, nos Directives de contribution, et nos Directives de traduction. 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
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

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, 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	Apprenez les concepts de base de l'apprentissage automatique	Leçon	Muhammad
02	L'histoire de l'apprentissage automatique	Introduction	Découvrez l'histoire derrière ce domaine	Leçon	Jen et Amy
03	Équité et apprentissage automatique	Introduction	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	Tomomi
04	Techniques pour l'apprentissage automatique	Introduction	Quelles techniques les chercheurs en IA utilisent-ils pour construire des modèles d'IA ?	Leçon	Chris et Jen
05	Introduction à la régression	Régression	Commencez avec Python et Scikit-learn pour les modèles de régression	Python • R	Jen • Eric Wanjau
06	Prix des citrouilles en Amérique du Nord 🎃	Régression	Visualisez et nettoyez les données en préparation à l'IA	Python • R	Jen • Eric Wanjau
07	Prix des citrouilles en Amérique du Nord 🎃	Régression	Construisez des modèles de régression linéaire et polynomiale	Python • R	Jen et Dmitry • Eric Wanjau
08	Prix des citrouilles en Amérique du Nord 🎃	Régression	Construisez un modèle de régression logistique	Python • R	Jen • Eric Wanjau
09	Une application web 🔌	Application web	Construisez une application web pour utiliser votre modèle entraîné	Python	Jen
10	Introduction à la classification	Classification	Nettoyez, préparez et visualisez vos données ; introduction à la classification	Python • R	Jen et Cassie • Eric Wanjau
11	Délicieuses cuisines asiatiques et indiennes 🍜	Classification	Introduction aux classificateurs	Python • R	Jen et Cassie • Eric Wanjau
12	Délicieuses cuisines asiatiques et indiennes 🍜	Classification	Plus de classificateurs	Python • R	Jen et Cassie • Eric Wanjau
13	Délicieuses cuisines asiatiques et indiennes 🍜	Classification	Construisez une application web de recommandation en utilisant votre modèle	Python	Jen
14	Introduction au clustering	Clustering	Nettoyez, préparez et visualisez vos données ; introduction au clustering	Python • R	Jen • Eric Wanjau
15	Exploration des goûts musicaux nigérians 🎧	Clustering	Explorez la méthode de clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introduction au traitement du langage naturel ☕️	Traitement du langage naturel	Apprenez les bases du NLP en construisant un bot simple	Python	Stephen
17	Tâches courantes en NLP ☕️	Traitement du langage naturel	Approfondissez vos connaissances en NLP en comprenant les tâches courantes liées aux structures linguistiques	Python	Stephen
18	Traduction et analyse de sentiments ♥️	Traitement du langage naturel	Traduction et analyse de sentiments avec Jane Austen	Python	Stephen
19	Hôtels romantiques d'Europe ♥️	Traitement du langage naturel	Analyse de sentiments avec des avis d'hôtels 1	Python	Stephen
20	Hôtels romantiques d'Europe ♥️	Traitement du langage naturel	Analyse de sentiments avec des avis d'hôtels 2	Python	Stephen
21	Introduction à la prévision de séries temporelles	Séries temporelles	Introduction à la prévision de séries temporelles	Python	Francesca
22	⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision avec ARIMA	Séries temporelles	Prévision de séries temporelles avec ARIMA	Python	Francesca
23	⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision avec SVR	Séries temporelles	Prévision de séries temporelles avec Support Vector Regressor	Python	Anirban
24	Introduction à l'apprentissage par renforcement	Apprentissage par renforcement	Introduction à l'apprentissage par renforcement avec Q-Learning	Python	Dmitry
25	Aidez Peter à éviter le loup ! 🐺	Apprentissage par renforcement	Gym pour l'apprentissage par renforcement	Python	Dmitry
Postscript	Scénarios et applications réels de l'IA	IA dans la nature	Applications réelles intéressantes et révélatrices de l'IA classique	Leçon	Équipe
Postscript	Débogage de modèles IA avec le tableau de bord RAI	IA dans la nature	Débogage de modèles d'apprentissage automatique en utilisant les composants du tableau de bord IA responsable	Leçon	Ruth Yakubu

retrouvez toutes les ressources supplémentaires pour ce cours dans notre collection Microsoft Learn

Accès hors ligne

Vous pouvez exécuter cette documentation hors ligne en utilisant Docsify. Clonez ce dépôt, installez Docsify sur votre machine locale, puis dans le dossier racine de ce dépôt, tapez docsify serve. Le site web sera accessible sur le port 3000 de votre localhost : localhost:3000.

PDFs

Trouvez un PDF du programme avec des liens ici.

🎒 Autres cours

Notre équipe produit d'autres cours ! Découvrez :

Avertissement :
Ce document a été traduit à l'aide du service de traduction automatique 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.

27 KiB Raw Blame History Unescape Escape