ML-For-Beginners/translations/fr

🌐 Support multilingue

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

Arabe | Bengali | Bulgare | Birman (Myanmar) | Chinois (Simplifié) | Chinois (Traditionnel, Hong Kong) | Chinois (Traditionnel, Macao) | Chinois (Traditionnel, Taïwan) | Croate | Tchèque | Danois | Néerlandais | Estonien | Finnois | Français | Allemand | Grec | Hébreu | Hindi | Hongrois | Indonésien | Italien | Japonais | Kannada | Coréen | Lituanien | Malais | Malayalam | Marathi | Népalais | Pidgin Nigérian | Norvégien | Persan (Farsi) | Polonais | Portugais (Brésil) | Portugais (Portugal) | Pendjabi (Gurmukhi) | Roumain | Russe | Serbe (Cyrillique) | Slovaque | Slovène | Espagnol | Swahili | Suédois | Tagalog (Filipino) | Tamoul | Télougou | Thaï | Turc | Ukrainien | Ourdou | Vietnamien

Vous préférez cloner localement ?

Ce dépôt inclut plus de 50 traductions de langues ce qui augmente significativement la taille de téléchargement. Pour cloner sans traductions, utilisez le "sparse checkout":

Bash / macOS / Linux :

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'

CMD (Windows) :

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 fournit tout ce dont vous avez besoin pour compléter le cours avec un téléchargement bien plus rapide.

Rejoignez notre communauté

Nous avons une série Discord d’apprentissage 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 d’études

🌍 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 consacré 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 le deep learning, qui est couvert dans notre programme AI pour Débutants. Associez ces leçons avec notre programme Science des Données pour Débutants aussi !

Voyagez avec nous à travers le monde en appliquant ces techniques classiques à des données issues 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 exercice, et plus encore. Notre pédagogie basée sur des projets vous permet d’apprendre tout en construisant, une méthode éprouvée pour que les 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 particuliers 🙏 à nos Microsoft Student Ambassador auteurs, relecteurs et contributeurs, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila et Snigdha Agarwal

🤩 Gratitude supplémentaire aux Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi et Vidushi Gupta pour nos leçons R !

Démarrer

Suivez ces étapes :

1. Forkez le dépôt : Cliquez sur le bouton « Fork » en haut à droite de cette page.
2. 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, configuration et exécution des leçons.

Étudiants, pour utiliser ce programme, forkez l’intégralité du repo 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 et réfléchissant à chaque vérification de connaissances.
• Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant directement le code solution ; cependant ce code est disponible dans les dossiers /solution de chaque leçon orientée projet.
• Passez le quiz après la leçon.
• Réalisez le défi.
• Complétez l’exercice.
• Après avoir fini un groupe de leçons, visitez le Forum de discussion et « apprenez à haute voix » en remplissant la grille PAT correspondante. Un 'PAT' est un outil d’évaluation des progrès que vous complétez pour renforcer votre apprentissage. Vous pouvez également réagir aux PAT des autres afin que nous apprenions ensemble.

Pour aller plus loin, nous recommandons de suivre ces modules et parcours d’apprentissage sur Microsoft Learn.

Enseignants, nous avons inclus quelques suggestions pour utiliser ce programme.

---

Vidéos explicatives

Certaines leçons sont disponibles en vidéo format court. Vous pouvez 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 en construisant 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 sur des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts est augmentée. De plus, un quiz à enjeux faibles avant la classe fixe l’intention d’apprentissage, tandis qu’un second quiz après la classe assure une rétention supplémentaire. Ce programme a été conçu pour être flexible et amusant et peut être suivi dans son ensemble ou partiellement. 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 base pour discussion.

Retrouvez notre Code de conduite, Guide de contribution, Traductions et Dépannage. Nous accueillons vos retours constructifs !

Chaque leçon comprend

• sketchnote optionnel
• vidéo complémentaire optionnelle
• vidéo explicative (certaines leçons uniquement)
• quiz d’échauffement avant la leçon
• leçon écrite
• pour les leçons basées sur un projet, guides étape par étape pour construire le projet
• vérifications de connaissances
• un défi
• lecture complémentaire
• exercice
• quiz après la leçon

Une note sur les langues : Ces leçons sont principalement écrites en Python, mais beaucoup sont aussi disponibles en R. Pour suivre 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, qui peut se définir simplement 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 exemplaire pour l’écriture en data science car il vous permet de combiner 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 à propos des 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-app pour héberger localement ou déployer sur Azure.

Numéro de la 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 sous-jacente à ce domaine	Leçon	Jen et Amy
03	Équité et apprentissage automatique	Introduction	Quelles sont les importantes questions philosophiques autour de l’équité que les étudiants devraient considérer lors de la création et de l’application des modèles ML ?	Leçon	Tomomi
04	Techniques pour l’apprentissage automatique	Introduction	Quelles techniques les chercheurs en ML utilisent-ils pour construire des modèles ML ?	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	Visualiser et nettoyer les données en préparation 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 🔌	Web App	Construire une application web pour utiliser votre modèle entraîné	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 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	Construire une application web de recommandation 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 du NLP en construisant un bot simple	Python	Stephen
17	Tâches courantes du NLP ☕️	Traitement du langage naturel	Approfondissez vos connaissances en NLP en comprenant les tâches courantes nécessaires lors du traitement des 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 des séries temporelles	Séries temporelles	Introduction à la prévision des séries temporelles	Python	Francesca
22	⚡️ Utilisation mondiale d’énergie ⚡️ - prévision avec ARIMA	Séries temporelles	Prévision des séries temporelles avec ARIMA	Python	Francesca
23	⚡️ Utilisation mondiale d’énergie ⚡️ - prévision avec SVR	Séries temporelles	Prévision des séries temporelles avec Support Vector Regressor	Python	Anirban
24	Introduction à l’apprentissage par renforcement	Apprentissage par renforcement	Introduction au reinforcement learning avec Q-Learning	Python	Dmitry
25	Aidez Peter à éviter le loup ! 🐺	Apprentissage par renforcement	Gym d’apprentissage par renforcement	Python	Dmitry
Postface	Scénarios et applications ML dans le monde réel	ML dans la nature	Applications réelles intéressantes et révélatrices du ML classique	Leçon	Équipe
Postface	Débogage des modèles ML avec le tableau de bord RAI	ML dans la nature	Débogage des modèles d’apprentissage automatique avec le tableau de bord Responsible AI	Leçon	Ruth Yakubu

trouvez 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. Forkez ce dépôt, installez Docsify sur votre machine locale, puis dans le dossier racine de ce dépôt, tapez docsify serve. Le site web sera servi sur le port 3000 sur votre localhost : localhost:3000.

PDFs

Trouvez un pdf du programme avec les liens ici.

🎒 Autres Cours

Notre équipe produit d’autres cours ! Découvrez :

LangChain

Azure / Edge / MCP / Agents

---

Série d’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 produit ou des erreurs lors du développement, visitez :

Conseils supplémentaires pour l'apprentissage

• Revoyez les notebooks après chaque leçon pour mieux comprendre.
• Pratiquez la mise en œuvre des algorithmes par vous-même.
• Explorez des jeux de données réels en utilisant les concepts appris.

---

Avertissement :
Ce document a été traduit à l’aide du service de traduction IA Co-op Translator. Bien que nous nous efforçons d’assurer la précision, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue native doit être considéré comme la source faisant foi. Pour les informations critiques, une traduction professionnelle humaine est recommandée. Nous ne pouvons être tenus responsables des malentendus ou erreurs d’interprétation résultant de l’utilisation de cette traduction.