31 KiB

Raw Blame History Unescape Escape

🌐 Support multilingue

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

Vous préférez cloner localement ?

Ce dépôt inclut plus de 50 traductions de langues, ce qui augmente considérablement la taille du téléchargement. Pour cloner sans les traductions, utilisez le checkout sparse :
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
Cela vous donne tout ce dont vous avez besoin pour compléter le cours avec un téléchargement beaucoup plus rapide.

Rejoignez notre communauté

Nous avons une série Discord "learn with AI" 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 en Data Science.

Machine Learning pour débutants - Un programme

🌍 Voyagez autour du monde en explorant le Machine Learning au travers des cultures mondiales 🌍

Les Cloud Advocates de Microsoft sont heureux d’offrir un programme de 12 semaines, 26 leçons consacré au Machine Learning. Dans ce programme, vous apprendrez ce que l’on appelle parfois le machine learning classique, utilisant principalement Scikit-learn comme bibliothèque et évitant le deep learning, couvert dans notre programme AI pour débutants. Associez ces leçons à notre programme Data Science pour débutants, aussi !

Voyagez avec nous autour du monde en appliquant ces techniques classiques à des données de nombreuses régions. Chaque leçon inclut des quiz avant et après la leçon, des instructions écrites pour la compléter, une solution, un devoir, et plus encore. Notre pédagogie basée sur des projets vous permet d'apprendre en construisant, une méthode éprouvée pour ancrer les nouvelles compétences.

✍️ 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 étudiants ambassadeurs Microsoft, 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

🤩 Merci tout spécial aux ambassadeurs étudiants Microsoft Eric Wanjau, Jasleen Sondhi et Vidushi Gupta pour nos leçons en R !

Premiers pas

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

tous les ressources supplémentaires pour ce cours sont dans notre collection Microsoft Learn

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

Étudiants, pour utiliser ce programme, forkez le dépôt entier vers votre propre compte GitHub et faites les exercices seul ou en groupe :

Commencez par un quiz pré-conférence.
Lisez la leçon et complétez les activités, en faisant des pauses pour réfléchir à chaque vérification de connaissances.
Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant directement le code de solution ; toutefois ce code est disponible dans les dossiers /solution de chaque leçon orientée projet.
Faites le quiz post-conférence.
Complétez le défi.
Faites 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 PAT des autres pour apprendre ensemble.

Pour continuer vos études, nous 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 leçons sont disponibles en format vidéo courte. Vous pouvez toutes les retrouver intégrées dans les leçons, ou dans la playlist ML for Beginners sur la chaîne Microsoft Developer YouTube en cliquant sur l’image ci-dessous.

Rencontrez l’équipe

Gif créé 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 construction de ce programme : garantir qu’il soit pratique, axé sur les projets, et qu’il intègre des quiz fréquents. De plus, ce programme a un thème commun pour lui donner de la cohésion.

En s’assurant que le contenu est aligné sur des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts sera accrue. De plus, un quiz à faible enjeu avant la classe fixe l’intention d’apprentissage de l’étudiant, tandis qu’un deuxième quiz après la classe assure une meilleure rétention. Ce programme a été conçu pour être flexible et ludique, et peut être suivi en totalité ou partiellement. Les projets commencent petits et deviennent de plus en plus complexes à la fin des 12 semaines. Ce programme inclut également un post-scriptum sur les applications réelles du ML, qui peut être utilisé comme un travail supplémentaire ou comme base à une discussion.

Trouvez nos guides Code de conduite, Contribution, Traduction, et Dépannage. Nous accueillons vos retours constructifs !

Chaque leçon inclut

sketchnote optionnel
vidéo complémentaire optionnelle
vidéo explicative (certaines leçons seulement)
quiz d’échauffement pré-conférence
leçon écrite
pour les leçons basées sur un projet, guides étape par étape pour construire le projet
vérifications des connaissances
un défi
lectures complémentaires
devoir
quiz post-conférence

Un mot sur les langues : Ces leçons sont principalement écrites en Python, mais beaucoup sont aussi disponibles en R. Pour faire une leçon en R, allez dans le dossier /solution et cherchez les leçons R. Elles incluent une extension .rmd, qui représente un fichier R Markdown que l’on peut simplement définir comme un mélange de blocs de code (en R ou autres langues) et d’entête YAML (qui guide la mise en forme des sorties comme PDF) dans un document Markdown. En ce sens, il sert de cadre idéal pour l’écriture en data science, 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 exportés vers des formats comme PDF, HTML ou Word. Une note à propos des quiz : Tous les quiz sont contenus dans le dossier Quiz App, pour un total de 52 quiz composés 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-app pour héberger ou déployer localement sur Azure.

Numéro de la leçon	Sujet	Regroupement des leçons	Objectifs d'apprentissage	Leçon liée	Auteur
01	Introduction à l'apprentissage machine	Introduction	Apprenez les concepts de base derrière l'apprentissage machine	Leçon	Muhammad
02	L'histoire de l'apprentissage machine	Introduction	Apprenez l'histoire sous-jacente de ce domaine	Leçon	Jen et Amy
03	Équité et apprentissage machine	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 ?	Leçon	Tomomi
04	Techniques pour l'apprentissage machine	Introduction	Quelles techniques les chercheurs en ML utilisent-ils pour construire des modèles ML ?	Leçon	Chris et Jen
05	Introduction à la régression	Régression	Débutez 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 pour le ML	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	Plats délicieux asiatiques et indiens 🍜	Classification	Introduction aux classificateurs	Python • R	Jen et Cassie • Eric Wanjau
12	Plats délicieux asiatiques et indiens 🍜	Classification	Plus de classificateurs	Python • R	Jen et Cassie • Eric Wanjau
13	Plats délicieux asiatiques et indiens 🍜	Classification	Construisez une application web de recommandation utilisant votre modèle	Python	Jen
14	Introduction à la classification	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 lors de la gestion 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 des sentiments avec des avis d'hôtels 1	Python	Stephen
20	Hôtels romantiques d'Europe ♥️	Traitement du langage naturel	Analyse des sentiments avec des avis d'hôtels 2	Python	Stephen
21	Introduction aux prévisions de séries temporelles	Séries temporelles	Introduction à la prévision de séries temporelles	Python	Francesca
22	⚡️ Consommation électrique mondiale ⚡️ - prévision de séries temporelles avec ARIMA	Séries temporelles	Prévision de séries temporelles avec ARIMA	Python	Francesca
23	⚡️ Consommation électrique mondiale ⚡️ - prévision de séries temporelles 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 d'apprentissage par renforcement	Python	Dmitry
Post-scriptum	Scénarios et applications ML du monde réel	ML dans la nature	Applications intéressantes et révélatrices du ML classique dans le monde réel	Leçon	Équipe
Post-scriptum	Débogage de modèles ML avec le tableau de bord RAI	ML dans la nature	Débogage de modèles en apprentissage machine en utilisant les composants du tableau de bord AI Responsable	Leçon	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 sur votre localhost : localhost:3000.

PDFs

Trouvez un pdf du programme avec liens ici.

🎒 Autres cours

Notre équipe produit d'autres cours ! Découvrez :

LangChain

Azure / Edge / MCP / Agents

Série Intelligence Artificielle Générative

Apprentissage Fondamental

Série Copilot

Obtenir de l'aide

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

Si vous avez des retours sur les produits ou des erreurs lors du développement, rendez-vous sur :

Avertissement :
Ce document a été traduit à l’aide du service de traduction automatique Co-op Translator. Bien que nous nous efforcions d’assurer la précision, veuillez noter que les traductions automatiques peuvent comporter 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, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous ne sommes pas responsables des malentendus ou interprétations erronées résultant de l’utilisation de cette traduction.

31 KiB Raw Blame History Unescape Escape