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 | Coréen | Lituanien | Malais | Marathi | Népalais | Pidgin Nigérian | Norvégien | Persan (Farsi) | Polonais | Portugais (Brésil) | Portugais (Portugal) | Punjabi (Gurmukhi) | Roumain | Russe | Serbe (Cyrillique) | Slovaque | Slovène | Espagnol | Swahili | Suédois | Tagalog (Filipino) | Tamoul | Thaï | Turc | Ukrainien | Ourdou | Vietnamien
Nous organisons une série d'apprentissage avec l'IA sur Discord, apprenez-en plus et rejoignez-nous à Learn with AI Series du 18 au 30 septembre 2025. Vous y découvrirez des astuces pour utiliser GitHub Copilot en science des données.
🌍 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 dédié à l'apprentissage automatique. Dans ce programme, vous découvrirez ce que l'on appelle parfois l'apprentissage automatique classique, en utilisant principalement Scikit-learn comme bibliothèque et en évitant l'apprentissage profond, qui est couvert dans notre programme "IA pour Débutants". Associez ces leçons à notre programme 'Science des Données pour Débutants' 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 plus encore. Notre pédagogie basée sur les 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 spéciaux 🙏 à nos Microsoft Student Ambassadors auteurs, 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
🤩 Une gratitude supplémentaire envers les Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons en R !
Suivez ces étapes :
- Forkez le Répertoire : Cliquez sur le bouton "Fork" en haut à droite de cette page.
- Clonez le Répertoire :
git clone https://github.com/microsoft/ML-For-Beginners.git
retrouvez 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, 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 prenant le temps de réfléchir 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
/solutionde chaque leçon orientée projet. - Passez le quiz après la leçon.
- Complétez 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 outil d'évaluation des progrès, un tableau que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PATs pour 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 façon d'utiliser ce programme.
Certaines leçons sont disponibles sous forme de vidéos courtes. Vous pouvez les retrouver intégrées dans les leçons ou sur la playlist ML for Beginners sur la chaîne YouTube Microsoft Developer en cliquant sur l'image ci-dessous.
Gif par Mohit Jaisal
🎥 Cliquez sur l'image ci-dessus pour une vidéo sur le projet et les personnes qui l'ont créé !
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 alignant le contenu sur 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 oriente l'intention de l'étudiant vers l'apprentissage d'un sujet, tandis qu'un second quiz après le cours renforce davantage la 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 comprend 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, nos Directives de Traduction, et notre Guide de Dépannage. Nous accueillons vos retours constructifs !
- un sketchnote optionnel
- une vidéo complémentaire optionnelle
- une vidéo explicative (certaines leçons uniquement)
- un quiz d'échauffement avant la leçon
- une leçon écrite
- pour les leçons basées sur des projets, des guides étape par étape pour construire le projet
- des vérifications des connaissances
- un défi
- des lectures complémentaires
- un devoir
- un quiz après la leçon
Une 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
/solutionet cherchez les leçons en R. Elles incluent une extension .rmd qui représente un fichier R Markdown, défini comme une intégration deblocs de code(en R ou d'autres langages) et d'unen-tête YAML(qui guide la mise en forme des sorties comme PDF) dans undocument Markdown. Ainsi, il sert de cadre exemplaire pour la science des données puisqu'il vous 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.
Une 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-apppour l'héberger localement ou le déployer sur Azure.
| Numéro de leçon | Sujet | Regroupement de leçons | Objectifs d'apprentissage | Leçon liée | Auteur |
|---|---|---|---|---|---|
| 01 | Introduction au machine learning | Introduction | Apprenez les concepts de base du machine learning | Leçon | Muhammad |
| 02 | L'histoire du machine learning | Introduction | Découvrez l'histoire derrière ce domaine | Leçon | Jen et Amy |
| 03 | Équité et machine learning | 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 le machine learning | 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 | 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 | 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 | Construisez une application web de recommandation en 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 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 liées aux 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 | ⚡️ Utilisation mondiale de l'énergie ⚡️ - prévision avec ARIMA | Séries temporelles | Prévision des séries temporelles avec ARIMA | Python | Francesca |
| 23 | ⚡️ Utilisation mondiale de l'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 à l'apprentissage par renforcement avec Q-Learning | Python | Dmitry |
| 25 | Aidez Peter à éviter le loup ! 🐺 | Apprentissage par renforcement | Gym pour l'apprentissage par renforcement | Python | Dmitry |
| Postscript | Scénarios et applications ML dans le monde réel | ML dans le monde réel | Applications intéressantes et révélatrices du ML classique | Leçon | Équipe |
| Postscript | Débogage de modèles ML avec le tableau de bord RAI | ML dans le monde réel | Débogage de modèles en Machine Learning en utilisant les composants du tableau de bord Responsible AI | Leçon | Ruth Yakubu |
retrouvez toutes les ressources supplémentaires pour ce cours dans notre collection Microsoft Learn
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 de votre localhost : localhost:3000.
Trouvez un PDF du programme avec des liens ici.
Notre équipe produit d'autres cours ! Découvrez :
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Si vous êtes bloqué ou avez des questions sur la création d'applications IA, rejoignez d'autres apprenants et développeurs expérimentés pour discuter de MCP. C'est une communauté bienveillante où les questions sont les bienvenues et le partage de connaissances est encouragé.
Si vous avez des retours sur les produits 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 automatiques 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 humaine professionnelle. Nous ne sommes pas responsables des malentendus ou des interprétations erronées résultant de l'utilisation de cette traduction.