22 KiB

Raw Blame History Unescape Escape

L'apprentissage automatique pour les débutants - Un curriculum

🌍 Voyagez autour du monde alors que nous explorons l'apprentissage automatique par le biais des cultures du monde 🌍

Les Azure Cloud Advocates de Microsoft ont le plaisir de vous proposer un programme d'études de 12 semaines et 26 leçons entièrement consacrées à l'apprentissage automatique. Dans ce cursus, 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 couvert dans notre prochain cursus " AI for Beginners ". Associez ces leçons à notre programme ["Data Science for Beginners"] (https://aka.ms/datascience-beginners), également !

Voyagez avec nous autour du monde pendant que nous appliquons ces techniques classiques à des données provenant de nombreuses régions du monde. Chaque leçon comprend des quiz avant et après la leçon, des instructions écrites pour la réaliser, une solution, un devoir, etc. Notre pédagogie par projet vous permet d'apprendre tout en développant vos connaissances, un moyen reconnu 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 et Amy Boyd.

🎨 Merci également à nos illustrateurs Tomomi Imura, Dasani Madipalli et Jen Looper.

🙏 Remerciements particuliers 🙏 à nos Microsoft Student Ambassador auteurs, vérificateurs et contribuants au contenu, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila et Snigdha Agarwal.

🤩 Remerciements supplémentaires au Microsoft Student Ambassador Eric Wanjau pour nos leçons de R!

Démarrage

Étudiants, pour utiliser ce programme d'études, faites un fork de l'ensemble du dépôt sur votre propre compte GitHub et effectuez les exercices seul ou avec un groupe :

Commencez par un quiz de pré-lecture.
Lisez le cours et effectuez les activités, en faisant une pause et en réfléchissant à chaque contrôle des connaissances.
Essayez de créer les projets en comprenant les leçons plutôt que d'exécuter le code de la solution ; ce code est toutefois disponible dans les dossiers /solution de chaque leçon orientée projet.
Répondez au quiz post-formation.
Relevez le défi.
Effectuez le travail.
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 rubrique PAT appropriée. Un PAT est un outil d'évaluation de la progression. Il s'agit d'une rubrique que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PAT afin que nous puissions apprendre ensemble.

Pour une étude plus approfondie, 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.

Rencontrez l'équipe

!Promo video](https://youtu.be/Tj1XWrDSYJU "Promo video")

Gif par Mohit Jaisal

🎥 Cliquez sur l'image ci-dessus pour voir 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 programme d'études : veiller à ce qu'il soit basé sur un projet pratique et à ce qu'il comprenne des questionnaires fréquents. En outre, ce programme a un thème commun pour lui donner une cohésion.

En veillant à ce que le contenu s'aligne sur les projets, le processus est rendu plus attrayant pour les élèves et la rétention des concepts est accrue. En outre, un quiz à faible enjeu avant le cours permet d'établir l'intention de l'élève d'apprendre 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 par être petits et deviennent de plus en plus complexes à la fin du cycle de 12 semaines. Ce programme comprend également un post-scriptum sur les applications réelles de la ML, qui peut être utilisé comme crédit supplémentaire ou comme base de discussion.

Trouvez nos directives concernant le Code de conduite, la Contribution et la Traduction. Vos commentaires constructifs sont les bienvenus !

Chaque leçon comprend :

un sketchnote facultatif
une vidéo supplémentaire facultative
un questionnaire d'échauffement avant le cours
une leçon écrite
pour les leçons basées sur un projet, des guides pas à pas sur la façon de construire le projet
des contrôles de connaissances
un défi
lecture supplémentaire
devoir
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 /solution et recherchez les leçons R. Elles incluent une extension .rmd qui représente un fichier R Markdown qui peut être simplement défini comme une intégration de champs de code (de R ou d'autres langages) et d'un en-tête YAML (qui indique comment formater les sorties telles que le PDF) dans un document Markdown. En tant que tel, il sert de cadre de création exemplaire pour la science des données, car il vous permet de combiner votre code, ses résultats et vos idées en vous permettant de les écrire en Markdown. En outre, les documents R Markdown peuvent être convertis en formats de sortie tels que PDF, HTML ou Word.

Une note sur les quiz : Tous les quiz sont contenus [dans cette application] (https://gray-sand-07a10f403.1.azurestaticapps.net/), pour un total de 52 quiz de trois questions chacun. Ils sont liés aux leçons, mais l'application de quiz peut être exécutée localement ; suivez les instructions dans le dossier quiz-app.

Numéro de leçon	Sujet	Groupe de leçons	Objectifs d'apprentissage	Leçon liée	Auteur
01	Introduction à l'apprentissage automatique	Introduction	Apprendre les concepts de base de l'apprentissage automatique	Leçon	Muhammad
02	L'histoire de l'apprentissage automatique	Introduction	Découvrez l'histoire qui se cache derrière ce domaine	Leçon	Jen and Amy
03	Équité et apprentissage automatique	Introduction	Quelles sont les questions philosophiques importantes concernant l'équité que les étudiants devraient prendre en compte lorsqu'ils construisent et appliquent des modèles ML ?	Leçon	Tomomi
04	Techniques d'apprentissage automatique	Introduction	Quelles sont les techniques utilisées par les chercheurs en ML pour construire des modèles ML ?	Leçon	Chris and Jen
05	Introduction à la régression	Régression	Démarrer avec Python et Scikit-learn pour les modèles de régression	Python R	Jen Eric Wanjau
06	Prix des citrouilles en Amérique du Nord 🎃	Régression	Visualiser et nettoyer les données en vue du ML	Python R	Jen Eric Wanjau
07	Prix des citrouilles en Amérique du Nord 🎃	Régression	Construire des modèles de régression linéaire et polynomiale	Python R	Jen et Dmitry Eric Wanjau
08	Prix des citrouilles en Amérique du Nord 🎃	Régression	Construire un modèle de régression logistique	Python R	Jen Eric Wanjau
09	Une application Web 🔌	Application Web	Construire une application web pour utiliser votre modèle formé	Python	Jen
10	Introduction à la classification	Classification	Nettoyer, préparer et visualiser 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 and 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	Construire une application web de recommandation en utilisant votre modèle	Python	Jen
14	Introduction au clustering	Clustering	Nettoyer, préparer et visualiser vos données ; Introduction au clustering.	Python R	Jen Eric Wanjau
15	Explorer les goûts musicaux nigérians 🎧	Clustering	Explorer 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 de la NLP en construisant un simple bot	Python	Stephen
17	Tâches courantes de la NLP ☕️	Traitement du langage naturel	Approfondissez vos connaissances en NLP en comprenant les tâches courantes requises lors du traitement des structures linguistiques	Python	Stephen
18	Traduction et analyse des sentiments ♥️	Traitement du langage naturel	Traduction et analyse des sentiments avec Jane Austen	Python	Stephen
19	Hôtels romantiques d'Europe ♥️	Traitement du langage naturel	Analyse de sentiments à partir de critiques d'hôtels 1	Python	Stephen
20	Hôtels romantiques d'Europe ♥️	Traitement du langage naturel	Analyse de sentiments à partir de critiques d'hôtels 2	Python	Stephen
21	Introduction à la prédiction des séries temporelles	Séries temporelles	Introduction à la prédiction des séries temporelles	Python	Francesca
22	⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision de séries temporelles avec ARIMA	Séries temporelles	Prévision de séries temporelles avec ARIMA	Python	Francesca
23	⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision des séries temporelles avec SVR	Séries temporelles	Prévision des séries temporelles avec le régresseur à vecteur de support	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	Apprentissage par renforcement Gym	Python	Dmitry
Post-scriptum	Scénarios et applications de ML dans le monde réel	ML dans la nature	Des applications intéressantes et révélatrices du monde réel de la ML classique	Leçon	Équipe

Accès hors ligne

Vous pouvez utiliser cette documentation hors ligne en utilisant Docsify. Ouvrez ce dépôt, installez Docsify sur votre machine locale, et ensuite dans le dossier racine de ce dépôt, tapez docsify serve. Le site web sera servi sur le port 3000 de votre hôte local : localhost:3000.

PDFs

Trouvez un pdf du curriculum avec des liens [ici] (https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).

Aide demandée !

Vous souhaitez contribuer à une traduction ? Veuillez lire nos directives de traduction et ajouter une question type pour gérer la charge de travail ici.

Autres programmes d'études

Notre équipe produit d'autres programmes d'études ! Consultez :

22 KiB Raw Blame History Unescape Escape