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) | Panjabi (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 comprend plus de 50 traductions en plusieurs langues, ce qui augmente considérablement la taille du téléchargement. Pour cloner sans les 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 donne tout ce dont vous avez besoin pour compléter le cours avec un téléchargement beaucoup plus rapide.
Nous avons une série Discord "apprendre avec l’IA" en cours, en savoir plus et rejoignez-nous sur Série Apprendre avec l’IA du 18 au 30 septembre 2025. Vous y recevrez des astuces et conseils pour utiliser GitHub Copilot pour la Data Science.
🌍 Voyagez à travers le monde en explorant l’apprentissage automatique au travers des cultures mondiales 🌍
Les Cloud Advocates chez Microsoft sont heureux de proposer un cursus de 12 semaines et 26 leçons entièrement dédié à l’apprentissage automatique. Dans ce cursus, vous découvrirez ce que l’on appelle parfois l’apprentissage automatique classique, utilisant principalement la bibliothèque Scikit-learn et évitant le deep learning, qui est couvert dans notre cursus Intelligence Artificielle pour débutants. Associez ces leçons avec notre 'Data Science pour débutants' également !
Voyagez avec nous autour du monde en appliquant ces techniques classiques à des données de différentes régions. Chaque leçon inclut des quiz pré- et post-leçon, des instructions écrites pour compléter la leçon, une solution, un défi, et plus encore. Notre pédagogie basée sur des projets vous permet d’apprendre 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 auteurs, réviseurs 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 particulière aux ambassadeurs étudiants Microsoft Eric Wanjau, Jasleen Sondhi et Vidushi Gupta pour nos leçons R !
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 fréquents d’installation, de configuration et d’exécution des leçons.
Étudiants, pour utiliser ce cursus, forkez le dépôt complet vers votre propre compte GitHub et faites les exercices seuls ou en groupe :
- Commencez par un quiz pré-conférence.
- Lisez la leçon puis réalisez les activités, en faisant des pauses et réflexions à chaque contrôle des connaissances.
- Essayez de créer les projets en comprenant les leçons, plutôt que d’exécuter directement le code de solution ; ce code est néanmoins disponible dans les dossiers
/solutionde chaque leçon orientée projet. - Passez le quiz post-conférence.
- 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 grille d’évaluation PAT appropriée. Un PAT est un outil d’évaluation des progrès que vous complétez pour approfondir votre apprentissage. Vous pouvez aussi réagir aux autres PAT pour apprendre ensemble.
Pour aller plus loin, nous recommandons de suivre ces modules et parcours d’apprentissage Microsoft Learn.
Enseignants, nous avons inclus quelques suggestions pour utiliser ce cursus.
Certaines leçons sont disponibles en format vidéo court. Vous pouvez toutes les trouver intégrées dans les leçons, ou sur la playlist ML pour débutants de la chaîne Microsoft Developer YouTube 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 pour construire ce cursus : garantir qu’il soit pratique et basé sur des projets, et qu’il inclue des quiz fréquents. De plus, ce cursus a un thème commun pour lui donner de la cohérence.
En s’assurant que le contenu est aligné sur des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts s’en trouve augmentée. De plus, un quiz à enjeu faible avant un cours fixe l’intention d’apprendre du participant, tandis qu’un second quiz après le cours permet de consolider les acquis. Ce cursus a été conçu pour être flexible et ludique, et peut être suivi en totalité ou en partie. Les projets commencent petits et deviennent de plus en plus complexes au fil du cycle de 12 semaines. Ce cursus inclut également un post-scriptum sur les applications réelles de l’apprentissage automatique, qui peut être utilisé pour un crédit supplémentaire ou comme base de discussion.
Retrouvez notre Code de conduite, Contribuer, Traduction et Dépannage. Vos retours constructifs sont les bienvenus !
- un sketchnote facultatif
- une vidéo complémentaire facultative
- une vidéo explicative (certaines leçons seulement)
- quiz d’échauffement pré-conférence
- leçon écrite
- pour les leçons basées sur des projets, des guides étape par étape pour construire le projet
- contrôles de connaissances
- un défi
- lectures complémentaires
- un devoir
- quiz post-conférence
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
/solutionet cherchez les leçons en R. Elles incluent une extension .rmd qui représente un fichier R Markdown pouvant être simplement défini comme une intégration deblocs de code(en R ou autres langages) et unen-tête YAML(qui guide comment formater les sorties telles que PDF) dans undocument Markdown. Ainsi, il sert de cadre exemplaire pour la création de contenus en science des données car il permet de combiner votre code, ses sorties, et vos réflexions en vous permettant de les écrire 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 composés chacun de trois questions. Ils sont liés depuis les leçons mais l'application de quiz peut être exécutée localement ; suivez les instructions du dossier
quiz-apppour héberger localement ou déployer sur Azure.
| Numéro de leçon | Sujet | Regroupement des leçons | Objectifs d'apprentissage | Leçon liée | Auteur |
|---|---|---|---|---|---|
| 01 | Introduction à l'apprentissage automatique | Introduction | Apprenez les concepts de base derrière l'apprentissage automatique | Leçon | Muhammad |
| 02 | L'histoire de l'apprentissage automatique | Introduction | Apprenez l'histoire sous-jacente de ce domaine | Leçon | Jen et Amy |
| 03 | Équité et apprentissage automatique | Introduction | Quels sont les enjeux philosophiques importants autour de l'équité que les étudiants devraient considérer lors de la création et de l'application de modèles ML ? | Leçon | Tomomi |
| 04 | Techniques d'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 | Démarrez 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 classifieurs | Python • R | Jen et Cassie • Eric Wanjau |
| 12 | Délicieuses cuisines asiatiques et indiennes 🍜 | Classification | Plus de classifieurs | 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 nécessaires pour traiter les 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 en Europe |
Traitement du langage naturel | Analyse de sentiments avec avis d’hôtels 1 | Python | Stephen |
| 20 | Hôtels romantiques en Europe |
Traitement du langage naturel | Analyse de sentiments avec 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 mondiale d’électricité ⚡️ - prévision avec ARIMA | Séries temporelles | Prévision des séries temporelles avec ARIMA | Python | Francesca |
| 23 | ⚡️ Consommation mondiale d’électricité ⚡️ - 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 | Environnement Reinforcement Learning Gym | Python | Dmitry |
| Post-scriptum | Scénarios et applications ML réels | ML en milieu réel | Applications intéressantes et révélatrices du ML classique | Leçon | Équipe |
| Post-scriptum | Débogage de modèles ML avec tableau de bord RAI | ML en milieu réel | Débogage des modèles en apprentissage machine avec les composants du tableau de bord Responsible AI | Leçon | Ruth Yakubu |
trouvez toutes les ressources complémentaires pour ce cours dans notre collection Microsoft Learn
Vous pouvez utiliser 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 les 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 du MCP. C’est une communauté d’entraide où les questions sont les bienvenues et le savoir est partagé librement.
Si vous avez des retours sur le produit ou des erreurs lors du développement, visitez :
- Consultez les notebooks après chaque leçon pour une meilleure compréhension.
- 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 automatique Co-op Translator. Bien que nous fassions de notre mieux pour 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, il est recommandé de recourir à une traduction professionnelle effectuée par un humain. Nous déclinons toute responsabilité en cas de malentendus ou d’interprétations erronées résultant de l’utilisation de cette traduction.