32 KiB

Raw Blame History Unescape Escape

🌐 Support multilingue

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

Rejoignez notre communauté

Nous organisons une série "Learn with AI" sur Discord ; en savoir plus et rejoignez-nous à Série Learn with AI du 18 au 30 septembre 2025. Vous obtiendrez des conseils et astuces pour utiliser GitHub Copilot pour la Data Science.

Apprentissage automatique pour débutants - Un programme

🌍 Parcourez le monde avec nous 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 cursus, vous apprendrez ce que l'on appelle parfois l'apprentissage automatique classique, en utilisant principalement Scikit-learn comme bibliothèque et en évitant le deep learning, 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. 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 « se fixent ».

✍️ 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 particulière aux Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons R !

Pour 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, forkerez l'ensemble du dépôt sur votre propre compte GitHub et complétez les exercices seul·e ou en groupe :

Commencez par un quiz pré-cours.
Lisez la leçon et complétez les activités, en faisant des pauses et en réfléchissant à chaque vérification des connaissances.
Essayez de créer les projets en comprenant les leçons plutôt qu'en exécutant le code solution ; ce code est toutefois disponible dans les dossiers /solution de chaque leçon orientée projet.
Faites le quiz post-cours.
Réalisez le défi.
Réalisez le devoir.
Après avoir terminé un groupe de leçons, visitez le Forum de discussion et « apprenez à voix haute » en remplissant la rubrique PAT appropriée. Un « PAT » est un Progress Assessment Tool (outil d'évaluation des progrès) qui est une grille d'évaluation que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PAT afin que nous puissions 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 manière d'utiliser ce programme.

Vidéos explicatives

Certaines leçons sont disponibles sous forme de courtes vidéos. 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 l'élaboration de ce programme : garantir qu'il soit pratique et axé sur des projets et qu'il inclue des quiz fréquents. De plus, ce cursus a un thème commun pour lui donner de la cohésion.

En veillant à ce que le contenu soit aligné sur des projets, le processus devient plus engageant pour les étudiant·e·s et la rétention des concepts est augmentée. De plus, un quiz à faible enjeu avant un cours fixe l'intention de l'étudiant·e envers l'apprentissage d'un sujet, tandis qu'un second quiz après le cours assure une rétention supplémentaire. Ce programme a été conçu pour être flexible et amusant et peut être suivi en entier ou partiellement. Les projets commencent petits et deviennent de plus en plus complexes d'ici la fin du cycle de 12 semaines. Ce programme inclut également un post-scriptum sur les applications réelles du ML, qui peut être utilisé comme crédit supplémentaire ou comme base de discussion.

Retrouvez notre Code de conduite, Contribuer, Traduction, et les consignes de Dépannage. Nous apprécions vos retours constructifs !

Chaque leçon comprend

sketchnote optionnel
vidéo supplémentaire optionnelle
vidéo explicative (certaines leçons uniquement)
quiz préparatoire avant la leçon
leçon écrite
pour les leçons axées sur des projets, des guides pas à pas sur la façon de construire le projet
vérifications de connaissances
un défi
lectures complémentaires
devoir
quiz post-leçon

Une note à propos des langages : Ces leçons sont principalement écrites en Python, mais beaucoup sont aussi disponibles en R. Pour compléter une leçon R, allez dans le dossier /solution et cherchez les leçons R. Elles incluent une extension .rmd qui représente un fichier R Markdown qui peut être simplement défini comme un embranchement de blocs de code (de R ou d'autres langages) et d'un en-tête YAML (qui guide la façon de formater les sorties telles que PDF) dans un document Markdown. En tant que tel, il sert de cadre d'écriture exemplaire pour la 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 rendus vers 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 l'héberger localement ou la déployer sur Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Introduction à l'apprentissage automatique	Introduction	Découvrez les concepts de base de l'apprentissage automatique	Leçon	Muhammad
02	L'histoire de l'apprentissage automatique	Introduction	Découvrez l'histoire à l'origine de ce domaine	Leçon	Jen and Amy
03	Équité et apprentissage automatique	Introduction	Quelles sont les questions philosophiques importantes autour de l'équité que les étudiants devraient considérer lorsqu'ils construisent et appliquent des modèles d'apprentissage automatique ?	Leçon	Tomomi
04	Techniques pour l'apprentissage automatique	Introduction	Quelles techniques les chercheurs en apprentissage automatique utilisent-ils pour construire des modèles ?	Leçon	Chris and 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	Visualisez et nettoyez les données en préparation de l'apprentissage automatique	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	Créez 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	Délicieuses cuisines asiatiques et indiennes 🍜	Classification	Introduction aux classifieurs	Python • R	Jen et Cassie • Eric Wanjau
12	Délicieuses cuisines asiatiques et indiennes 🍜	Classification	Autres classifieurs	Python • R	Jen et Cassie • Eric Wanjau
13	Délicieuses cuisines asiatiques et indiennes 🍜	Classification	Créez une application Web de recommandation en utilisant votre modèle	Python	Jen
14	Introduction au clustering	Regroupement	Nettoyez, préparez et visualisez vos données ; introduction au clustering	Python • R	Jen • Eric Wanjau
15	Explorer les goûts musicaux nigérians 🎧	Regroupement	Explorez la méthode de regroupement K-Means	Python • R	Jen • Eric Wanjau
16	Introduction au traitement du langage naturel ☕️	Traitement du langage naturel	Apprenez les bases du traitement du langage naturel en construisant un bot simple	Python	Stephen
17	Tâches courantes du traitement du langage naturel ☕️	Traitement du langage naturel	Approfondissez vos connaissances en traitement du langage naturel en comprenant les tâches courantes nécessaires pour traiter les structures linguistiques	Python	Stephen
18	Traduction et analyse de sentiment ♥️	Traitement du langage naturel	Traduction et analyse de sentiment 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	⚡️ Consommation d'électricité mondiale ⚡️ - prévision de séries temporelles avec ARIMA	Séries temporelles	Prévision de séries temporelles avec ARIMA	Python	Francesca
23	⚡️ Consommation d'électricité 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
Postface	Scénarios et applications de ML dans le monde réel	ML in the Wild	Applications réelles intéressantes et révélatrices de l'apprentissage automatique classique	Leçon	Équipe
Postface	Débogage de modèles ML à l'aide du tableau de bord RAI	ML in the Wild	Débogage de modèles en apprentissage automatique en utilisant les composants du 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, et 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 principal

Série Copilot

Obtenir de l'aide

Si vous êtes bloqué ou si vous avez des questions concernant la création d'applications d'IA, rejoignez d'autres apprenants et des développeurs expérimentés dans les discussions sur MCP. C'est une communauté de soutien où les questions sont les bienvenues et où les connaissances sont partagées librement.

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

Clause de non-responsabilité : Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator (https://github.com/Azure/co-op-translator). Bien que nous nous efforcions d'en 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, il est recommandé de recourir à une traduction professionnelle réalisée par un traducteur humain. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.

32 KiB Raw Blame History Unescape Escape