31 KiB

Raw Blame History Unescape Escape

🌐 Support multilingue

Pris en charge via GitHub Action (Automatisé & Toujours à jour)

Rejoignez notre communauté

Nous avons une série Discord "apprendre avec l'IA" en cours, apprenez-en plus et rejoignez-nous sur Learn with AI Series du 18 au 30 septembre 2025. Vous recevrez des astuces et conseils pour utiliser GitHub Copilot pour la science des données.

Apprentissage automatique pour débutants - Un programme

🌍 Voyagez autour du monde en explorant l'apprentissage automatique à travers les cultures du monde 🌍

Les Cloud Advocates de Microsoft sont heureux de proposer un programme de 12 semaines, 26 leçons, entièrement dédié à l'apprentissage automatique. Dans ce programme, vous apprendrez ce que l'on appelle parfois l'apprentissage automatique classique, utilisant principalement Scikit-learn comme bibliothèque et évitant l'apprentissage profond, qui est couvert dans notre programme AI for Beginners. Associez ces leçons à notre programme Data Science for Beginners également !

Voyagez avec nous autour du 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 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

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

🙏 Remerciements particuliers 🙏 à nos auteurs, réviseurs et contributeurs étudiants Microsoft, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, et Snigdha Agarwal

🤩 Une gratitude supplémentaire aux ambassadeurs étudiants Microsoft Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons en R !

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

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

🔧 Besoin d'aide ? Consultez notre Guide de dépannage pour des solutions aux problèmes courants d'installation, de configuration et d'exécution des leçons.

Étudiants, pour utiliser ce programme, forkez le dépôt complet sur votre propre compte GitHub et complétez les exercices seul ou en groupe :

Commencez par un quiz avant la leçon.
Lisez la leçon et complétez les activités, en faisant des pauses pour réfléchir à chaque vérification des connaissances.
Essayez de créer les projets en comprenant les leçons plutôt qu'en exécutant le code solution ; cependant ce code est disponible dans les dossiers /solution de chaque leçon orientée projet.
Faites le quiz après la leçon.
Réalisez 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 que vous remplissez pour approfondir votre apprentissage. Vous pouvez aussi réagir aux autres PAT pour apprendre ensemble.

Pour aller plus loin, nous 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 en vidéo courte. Vous pouvez toutes les trouver intégrées 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 lors de la création de ce programme : garantir qu'il soit pratique et basé sur des projets et qu'il inclue des quiz fréquents. De plus, ce programme a un thème commun pour lui donner de la cohésion.

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 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 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, Contribuer, Traduction, et Dépannage. Vos retours constructifs sont les bienvenus !

Chaque leçon inclut

sketchnote optionnel
vidéo complémentaire optionnelle
vidéo explicative (certaines leçons seulement)
quiz d'échauffement avant la leçon
leçon écrite
pour les leçons basées sur des projets, guides étape par étape pour construire le projet
vérifications des connaissances
un défi
lecture complémentaire
devoir
quiz après la leçon

Une 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 en R. Elles incluent une extension .rmd qui représente un fichier R Markdown qui peut être simplement défini comme une intégration de blocs de code (en R ou autres langages) et un en-tête YAML (qui guide la mise en forme des sorties comme PDF) dans un document Markdown. En tant que tel, il sert de cadre d'écriture exemplaire pour la science des données 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 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 quiz peut être exécutée localement ; suivez les instructions dans le dossier quiz-app pour héberger localement ou déployer sur Azure.

Numéro de leçon	Sujet	Regroupement des leçons	Objectifs d'apprentissage	Leçon liée	Auteur
01	Introduction à l'apprentissage automatique	Introduction	Apprenez les concepts de base derrière l'apprentissage automatique	Lesson	Muhammad
02	L'histoire de l'apprentissage automatique	Introduction	Découvrez l'histoire sous-jacente à ce domaine	Lesson	Jen and Amy
03	Équité et apprentissage automatique	Introduction	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 ?	Lesson	Tomomi
04	Techniques pour l'apprentissage automatique	Introduction	Quelles techniques les chercheurs en ML utilisent-ils pour construire des modèles ML ?	Lesson	Chris and Jen
05	Introduction à la régression	Regression	Commencez avec Python et Scikit-learn pour les modèles de régression	Python • R	Jen • Eric Wanjau
06	Prix des citrouilles en Amérique du Nord 🎃	Regression	Visualisez et nettoyez les données en préparation pour le ML	Python • R	Jen • Eric Wanjau
07	Prix des citrouilles en Amérique du Nord 🎃	Regression	Construisez des modèles de régression linéaire et polynomiale	Python • R	Jen and Dmitry • Eric Wanjau
08	Prix des citrouilles en Amérique du Nord 🎃	Regression	Construisez un modèle de régression logistique	Python • R	Jen • Eric Wanjau
09	Une application web 🔌	Web App	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 and 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 and 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 ☕️	Natural language processing	Apprenez les bases du NLP en construisant un bot simple	Python	Stephen
17	Tâches courantes en NLP ☕️	Natural language processing	Approfondissez vos connaissances en NLP en comprenant les tâches courantes requises lors du traitement des structures linguistiques	Python	Stephen
18	Traduction et analyse de sentiment ♥️	Natural language processing	Traduction et analyse de sentiment avec Jane Austen	Python	Stephen
19	Hôtels romantiques d'Europe ♥️	Natural language processing	Analyse de sentiment avec des avis d'hôtels 1	Python	Stephen
20	Hôtels romantiques d'Europe ♥️	Natural language processing	Analyse de sentiment avec des avis d'hôtels 2	Python	Stephen
21	Introduction à la prévision des séries temporelles	Time series	Introduction à la prévision des séries temporelles	Python	Francesca
22	⚡️ Consommation électrique mondiale ⚡️ - prévision des séries temporelles avec ARIMA	Time series	Prévision des séries temporelles avec ARIMA	Python	Francesca
23	⚡️ Consommation électrique mondiale ⚡️ - prévision des séries temporelles avec SVR	Time series	Prévision des séries temporelles avec Support Vector Regressor	Python	Anirban
24	Introduction à l'apprentissage par renforcement	Reinforcement learning	Introduction à l'apprentissage par renforcement avec Q-Learning	Python	Dmitry
25	Aidez Peter à éviter le loup ! 🐺	Reinforcement learning	Gym d'apprentissage par renforcement	Python	Dmitry
Postscript	Scénarios et applications ML dans le monde réel	ML in the Wild	Applications intéressantes et révélatrices du ML classique	Lesson	Team
Postscript	Débogage de modèles ML avec le tableau de bord RAI	ML in the Wild	Débogage de modèles en apprentissage automatique avec les composants du tableau de bord Responsible AI	Lesson	Ruth Yakubu

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

Accès hors ligne

Vous pouvez consulter cette documentation hors ligne en utilisant Docsify. Forkez ce dépôt, installez Docsify 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 des liens ici.

🎒 Autres cours

Notre équipe produit d'autres cours ! Découvrez :

LangChain

Azure / Edge / MCP / Agents

Série IA générative

Apprentissage Fondamental

Série Copilot

Obtenir de l'aide

Si vous êtes bloqué ou avez des questions sur la création d'applications IA. Rejoignez d'autres apprenants et développeurs expérimentés dans les discussions sur MCP. C'est une communauté bienveillante où les questions sont les bienvenues et le savoir est partagé librement.

Si vous avez des retours sur le produit ou des erreurs lors du développement, visitez :

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 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, une traduction professionnelle réalisée par un humain est recommandée. Nous déclinons toute responsabilité en cas de malentendus ou de mauvaises interprétations résultant de l’utilisation de cette traduction.

31 KiB Raw Blame History Unescape Escape