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 | Telugu | Thaïlandais | Turc | Ukrainien | Ourdou | Vietnamien

Vous préférez cloner localement ?

Ce dépôt comprend plus de 50 traductions linguistiques, ce qui augmente considérablement la taille de téléchargement. Pour cloner sans les traductions, utilisez le checkout partiel :

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 beaucoup plus rapide.

Rejoignez Notre Communauté

Nous avons une série Discord apprendre avec l'IA en cours, pour en savoir plus et nous rejoindre, consultez Learn with AI Series du 18 au 30 septembre 2025. Vous recevrez astuces et conseils pour utiliser GitHub Copilot en Data Science.

Apprentissage Automatique pour Débutants - Un Programme

🌍 Faites le tour du monde en explorant l'Apprentissage Automatique à travers les cultures mondiales 🌍

Les Cloud Advocates de Microsoft ont le plaisir de proposer un programme de 12 semaines, 26 leçons entièrement dédié à l’Apprentissage Automatique. Dans ce cursus, 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 curriculum IA pour débutants. Associez ces leçons à notre curriculum 'Data Science pour débutants' 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 les 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, relecteurs 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 spéciale aux Ambassadeurs Étudiants Microsoft Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons R !

Commencer

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 les solutions aux problèmes fréquents d’installation, de configuration et d’exécution des leçons.

Étudiants, pour utiliser ce programme, forkez tout le dépôt sur votre propre compte GitHub et réalisez 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 point de contrôle des connaissances.
• Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant simplement 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 challenge.
• Effectuez 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 afin que nous apprenions 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 sous forme de courtes vidéos. Vous pouvez les trouver intégrées dans les leçons, ou sur la playlist ML for Beginners de la chaîne Microsoft Developer YouTube 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 : s’assurer 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 cohésion.

En veillant à ce que le contenu soit aligné sur des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts sera augmentée. De plus, un quiz à faibles enjeux avant une classe oriente l’intention de l’étudiant vers l’apprentissage d’un sujet, tandis qu’un second quiz après la classe assure une meilleure rétention. Ce programme a été conçu pour être flexible et amusant et peut être réalisé en totalité ou en partie. Les projets commencent petits et deviennent de plus en plus complexes au fil des 12 semaines. Ce programme inclut également un épilogue sur les applications réelles de l’apprentissage automatique, pouvant servir de capital supplémentaire ou de base de discussion.

Retrouvez notre Code de conduite, Contribuer, Traduction et Dépannage. Vos retours constructifs sont les bienvenus !

Chaque leçon comprend

• un sketchnote optionnel
• une vidéo complémentaire optionnelle
• une vidéo explicative (certaines leçons uniquement)
• quiz préparatoire avant la leçon
• une leçon écrite
• pour les leçons basées sur un projet, des guides étape par étape pour construire le projet
• des points de contrôle des connaissances
• un challenge
• des lectures complémentaires
• un 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 R. Elles comprennent une extension .rmd qui représente un fichier R Markdown pouvant être défini simplement comme un mélange de « blocs de code » (de R ou autres langages) et d’un « en-tête YAML » (qui guide la mise en forme des sorties telles que PDF) dans un document Markdown. En tant que tel, il sert de cadre d’auteur exemplaire pour la science des données puisqu’il vous permet de combiner votre code, sa sortie et vos pensées en les écrivant en Markdown. De plus, les documents R Markdown peuvent être rendus à des formats de sortie 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 localement ou déployer sur Azure.

Numéro de la leçon	Sujet	Regroupement des 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	Apprenez l’histoire sous-jacente à ce domaine	Leçon	Jen et Amy
03	Équité et apprentissage automatique	Introduction	Quels sont les enjeux philosophiques importants liés à l’équité que les étudiants doivent considérer lorsqu’ils construisent et appliquent des modèles ML ?	Leçon	Tomomi
04	Techniques d’apprentissage automatique	Introduction	Quelles techniques les chercheurs 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	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	Cuisines asiatiques et indiennes délicieuses 🍜	Classification	Introduction aux classificateurs	Python • R	Jen et Cassie • Eric Wanjau
12	Cuisines asiatiques et indiennes délicieuses 🍜	Classification	Plus de classificateurs	Python • R	Jen et Cassie • Eric Wanjau
13	Cuisines asiatiques et indiennes délicieuses 🍜	Classification	Construisez une application web de recommandation 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 automatique du langage naturel ☕️	Traitement du langage naturel	Apprenez les bases du TAL en construisant un bot simple	Python	Stephen
17	Tâches courantes en TAL ☕️	Traitement du langage naturel	Approfondissez vos connaissances en TAL en comprenant les tâches courantes nécessaires au traitement des 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 sentiment avec des avis d’hôtels 1	Python	Stephen
20	Hôtels romantiques d’Europe ♥️	Traitement du langage naturel	Analyse de sentiment 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 avec ARIMA	Séries temporelles	Prévision de séries temporelles avec ARIMA	Python	Francesca
23	⚡️ Consommation d’électricité mondiale ⚡️ — prévision 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 en apprentissage par renforcement	Python	Dmitry
Post-scriptum	Scénarios et applications ML réels	ML dans la nature	Applications réelles intéressantes et révélatrices de l’apprentissage automatique classique	Leçon	Équipe
Post-scriptum	Débogage de modèles ML avec le tableau de bord RAI	ML dans la nature	Débogage de modèles en apprentissage automatique 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 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 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 d'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 les connaissances sont librement partagées.

Si vous avez des retours sur le produit ou rencontrez des erreurs lors de la création, 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 automatisées 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.