27 KiB

Raw Blame History Unescape Escape

🌐 Support multilingue

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

Rejoignez la communauté

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 ravis de proposer un programme de 12 semaines et 26 leçons entièrement 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 "AI for Beginners". Associez ces leçons à notre programme 'Data Science for Beginners' 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 bien 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 auteurs, relecteurs et contributeurs de contenu Microsoft Student Ambassador, 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 !

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

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.
Relevez 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 afin 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 toutes intégrées dans les leçons, ou sur la playlist "ML for Beginners" de 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 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 veillant à ce que le contenu soit aligné 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 deuxième 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 sur la façon de construire le projet
vérifications des connaissances
un défi
lecture complémentaire
devoir
quiz après la leçon

Note sur les langues : 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 recherchez 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 d'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 le 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 qui sous-tend ce domaine	Leçon	Jen et Amy
03	L'équité et l'apprentissage automatique	Introduction	Quels sont les enjeux philosophiques importants autour de l'équité que les étudiants doivent considérer en construisant et appliquant 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 ?	Lesson	Chris et Jen
05	Introduction à la régression	Regression	Commencez avec Python et Scikit-learn pour les modèles de régression

[Python](2-Regression/1-Tools/README.md)
[R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

Jen
Eric Wanjau

[Python](2-Regression/2-Data/README.md)
[R](../../2-Regression/2-Data/solution/R/lesson_2.html)

Jen
Eric Wanjau

[Python](2-Regression/3-Linear/README.md)
[R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

Jen et Dmitry
Eric Wanjau

[Python](2-Regression/4-Logistic/README.md)
[R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

Jen
Eric Wanjau

[Python](4-Classification/1-Introduction/README.md)
[R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen et Cassie
- Eric Wanjau
| | 11 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Introduction aux classificateurs |
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
  - Jen et Cassie
  - Eric Wanjau
  | | 12 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Plus de classificateurs |
  - [Python](4-Classification/3-Classifiers-2/README.md)
  - [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
    - Jen et Cassie
    - Eric Wanjau
    | | 13 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Construisez une application web de recommandation en utilisant votre modèle | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Introduction au clustering | [Clustering](5-Clustering/README.md) | Nettoyez, préparez et visualisez vos données ; introduction au clustering |
    - [Python](5-Clustering/1-Visualize/README.md)
    - [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
      - Jen
      - Eric Wanjau
      | | 15 | Exploration des goûts musicaux nigérians 🎧 | [Clustering](5-Clustering/README.md) | Explorez la méthode de clustering K-Means |
      - [Python](5-Clustering/2-K-Means/README.md)
      - [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
        Jen
        Eric Wanjau
        | | 16 | Introduction au traitement du langage naturel ☕️ | [Natural language processing](6-NLP/README.md) | Apprenez les bases du NLP en construisant un bot simple | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Tâches courantes en NLP ☕️ | [Natural language processing](6-NLP/README.md) | Approfondissez vos connaissances en NLP en comprenant les tâches courantes liées aux structures linguistiques | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Traduction et analyse de sentiments ♥️ | [Natural language processing](6-NLP/README.md) | Traduction et analyse de sentiments avec Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Hôtels romantiques d'Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analyse de sentiments avec les avis sur les hôtels 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Hôtels romantiques d'Europe ♥️ | [Natural language processing](6-NLP/README.md) | Analyse de sentiments avec les avis sur les hôtels 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Introduction à la prévision des séries temporelles | [Time series](7-TimeSeries/README.md) | Introduction à la prévision des séries temporelles | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision des séries temporelles avec ARIMA | [Time series](7-TimeSeries/README.md) | Prévision des séries temporelles avec ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision des séries temporelles avec SVR | [Time series](7-TimeSeries/README.md) | Prévision des séries temporelles avec Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Introduction à l'apprentissage par renforcement | [Reinforcement learning](8-Reinforcement/README.md) | Introduction à l'apprentissage par renforcement avec Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Aidez Peter à éviter le loup ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym pour l'apprentissage par renforcement | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Scénarios et applications ML dans le monde réel | [ML in the Wild](9-Real-World/README.md) | Applications intéressantes et révélatrices du ML classique dans le monde réel | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | Débogage de modèles ML avec le tableau de bord RAI | [ML in the Wild](9-Real-World/README.md) | Débogage de modèles en apprentissage automatique en utilisant les composants du tableau de bord Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | 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 servi sur le port 3000 de votre localhost : localhost:3000.
        
        PDFs
        
        Retrouvez un PDF du programme avec des liens ici.
        
        🎒 Autres cours
        
        Notre équipe produit d'autres cours ! Découvrez :
        
        Generative AI for Beginners
        
        Generative AI for Beginners .NET
        
        Generative AI with JavaScript
        
        Generative AI with Java
        
        AI for Beginners
        
        Data Science for Beginners
        
        ML for Beginners
        
        Cybersecurity for Beginners
        
        Web Dev for Beginners
        
        IoT for Beginners
        
        XR Development for Beginners
        
        Mastering GitHub Copilot for Paired Programming
        
        Mastering GitHub Copilot for C#/.NET Developers
        
        Choose Your Own Copilot Adventure
        
        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 professionnelle réalisée par un humain. 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