Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Khmer | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
Vous préférez cloner localement ?
Ce dépôt inclut plus de 50 traductions de langues, ce qui augmente considérablement la taille de 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, apprenez-en plus et rejoignez-nous à Learn with AI Series du 18 au 30 septembre 2025. Vous recevrez des astuces et conseils pour utiliser GitHub Copilot pour la Science des Données.
🌍 Voyagez autour du monde tout en explorant l’apprentissage automatique à travers les cultures du monde 🌍
Les Cloud Advocates de Microsoft ont le plaisir d’offrir un cursus de 12 semaines, 26 leçons, entièrement dédié à l’apprentissage automatique. Dans ce programme, vous apprendrez ce que l’on appelle parfois le machine learning classique, en utilisant principalement Scikit-learn comme bibliothèque, et en évitant le deep learning, qui est couvert dans notre cours IA pour débutants. Associez ces leçons avec notre cours « Science des données pour débutants » également !
Voyagez avec nous autour du monde en appliquant ces techniques classiques à des données provenant de nombreuses régions. Chaque leçon inclut des quiz pré- et post-leçon, des instructions écrites pour réaliser 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 s’ancrent durablement.
✍️ 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, réviseurs et contributeurs du 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 aux Microsoft Student Ambassadors 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 courants d’installation, configuration et exécution des leçons.
Étudiants, pour utiliser ce cursus, forkez l’intégralité du dépôt sur votre propre compte GitHub et complétez les exercices seul ou en groupe :
- Commencez par un quiz avant la leçon.
- Lisez la leçon et réalisez les activités, marquez des pauses pour réfléchir à chaque contrôle des connaissances.
- Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant directement le code solution ; néanmoins ce code est disponible dans les dossiers
/solutionde chaque leçon axée projet. - Passez le quiz post-lecture.
- Réalisez le défi.
- 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 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 l’utilisation de ce cursus.
Certaines leçons sont disponibles en vidéo courte. Vous pouvez toutes les trouver dans les leçons elles-mêmes, ou sur la playlist ML for Beginners 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 lors de la construction de ce cursus : garantir qu’il soit pratique basé sur des projets et qu’il inclue des quiz fréquents. De plus, ce cursus possède un thème commun pour lui donner de la cohérence.
En permettant que le contenu soit aligné sur des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts est améliorée. De plus, un quiz à enjeux faibles avant une classe fixe l’intention d’apprentissage de l’étudiant, tandis qu’un second quiz en fin de cours assure une meilleure mémorisation. Ce cursus a été conçu pour être flexible et amusant, et peut être suivi en totalité ou partiellement. Les projets commencent petits et deviennent de plus en plus complexes à la fin de ce cycle de 12 semaines. Ce programme inclut également un post-scriptum sur les applications réelles du ML, que l’on peut utiliser comme points bonus ou base de discussion.
Retrouvez notre Code de conduite, Contribuer, Traductions, et Dépannage. Nous accueillons vos retours constructifs !
- sketchnote optionnel
- vidéo supplémentaire optionnelle
- vidéo tutorielle (certaines leçons uniquement)
- quiz d’échauffement pré-lecture
- leçon écrite
- pour les leçons basées sur un projet, guide étape par étape pour construire le projet
- contrôles des connaissances
- un défi
- lecture complémentaire
- devoir
- quiz post-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, qui peut être simplement défini comme une intégration deblocs de code(en R ou d'autres langages) et unen-tête YAML(qui guide la mise en forme des sorties telles que PDF) dans undocument Markdown. En tant que tel, il sert de cadre exemplaire d’écriture pour la science des données car il vous permet de combiner votre code, ses résultats, et vos réflexions en vous autorisant à 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 dans le dossier
quiz-apppour héberger ou déployer localement sur Azure.
| Numéro de la leçon | Sujet | Groupement de la leçon | Objectifs d'apprentissage | Leçon liée | Auteur |
|---|---|---|---|---|---|
| 01 | Introduction à l'apprentissage machine | Introduction | Apprenez les concepts de base derrière l'apprentissage machine | Leçon | Muhammad |
| 02 | L’historique de l'apprentissage machine | Introduction | Découvrez l'histoire sous-jacente de ce domaine | Leçon | Jen et Amy |
| 03 | L’équité et l'apprentissage machine | Introduction | Quels sont les enjeux philosophiques importants autour de l’équité à considérer lors de la construction et l’application de modèles ML ? | Leçon | Tomomi |
| 04 | Techniques d'apprentissage machine | Introduction | Quelles techniques les chercheurs en apprentissage machine utilisent-ils pour construire leurs modèles ML ? | Leçon | Chris et Jen |
| 05 | Introduction à la régression | Regression | Commencez avec Python et Scikit-learn pour les modèles de régression | Python • R | Jen • Eric Wanjau |
| 06 | Prix des citrouilles en Amérique du Nord 🎃 | Regression | Visualisez et nettoyez les données en préparation pour l’apprentissage machine | Python • R | Jen • Eric Wanjau |
| 07 | Prix des citrouilles en Amérique du Nord 🎃 | Regression | Construisez des modèles de régression linéaire et polynomiale | Python • R | Jen et Dmitry • Eric Wanjau |
| 08 | Prix des citrouilles en Amérique du Nord 🎃 | Regression | Construisez un modèle de régression logistique | Python • R | Jen • Eric Wanjau |
| 09 | Une application Web 🔌 | Web App | 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 délicieuses asiatiques et indiennes 🍜 | Classification | Introduction aux classificateurs | Python • R | Jen et Cassie • Eric Wanjau |
| 12 | Cuisines délicieuses asiatiques et indiennes 🍜 | Classification | Plus de classificateurs | Python • R | Jen et Cassie • Eric Wanjau |
| 13 | Cuisines délicieuses 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 ☕️ | Natural language processing | Apprenez les bases du TAL en construisant un bot simple | Python | Stephen |
| 17 | Tâches courantes en TAL ☕️ | Natural language processing | Approfondissez vos connaissances sur le TAL en comprenant les tâches courantes nécessaires à la manipulation des structures linguistiques | Python | Stephen |
| 18 | Traduction et analyse de sentiment |
Natural language processing | Traduction et analyse de sentiment avec Jane Austen | Python | Stephen |
| 19 | Hôtels romantiques d’Europe |
Natural language processing | Analyse des sentiments avec les avis d’hôtel 1 | Python | Stephen |
| 20 | Hôtels romantiques d’Europe |
Natural language processing | Analyse des sentiments avec les avis d’hôtel 2 | Python | Stephen |
| 21 | Introduction à la prévision de séries temporelles | Time series | Introduction à la prévision de séries temporelles | Python | Francesca |
| 22 | ⚡️ Utilisation mondiale de l’électricité ⚡️ - prévision temporelle avec ARIMA | Time series | Prévision de séries temporelles avec ARIMA | Python | Francesca |
| 23 | ⚡️ Utilisation mondiale de l’électricité ⚡️ - prévision temporelle avec SVR | Time series | Prévision de séries temporelles avec Support Vector Regressor | Python | Anirban |
| 24 | Introduction à l’apprentissage par renforcement | Reinforcement learning | Introduction à l’apprentissage par renforcement avec Q-Learning | Python | Dmitry |
| 25 | Aidez Peter à éviter le loup ! 🐺 | Reinforcement learning | Apprentissage par renforcement Gym | Python | Dmitry |
| Postscriptum | Scénarios et applications ML réels | ML in the Wild | Applications intéressantes et révélatrices du ML classique | Leçon | Équipe |
| Postscriptum | Débogage de modèles ML avec le tableau de bord RAI | ML in the Wild | Débogage de modèles en apprentissage machine avec les composants du tableau de bord Responsible AI | Leçon | Ruth Yakubu |
trouvez toutes les ressources supplémentaires pour ce cours dans notre collection Microsoft Learn
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 de votre localhost : localhost:3000.
Trouvez un PDF du programme avec 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 si vous avez des questions concernant la création d’applications IA. Rejoignez d’autres apprenants et développeurs expérimentés dans des discussions sur MCP. C’est une communauté solidaire où les questions sont les bienvenues et le partage de connaissance est libre.
Si vous avez des retours produit ou rencontrez des erreurs lors du développement, visitez :
- Revoir les notebooks après chaque leçon pour une meilleure compréhension.
- Pratiquer l’implémentation des algorithmes par vous-même.
- Explorer des ensembles 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 nous efforçons 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 humaine est recommandée. Nous ne sommes pas responsables des malentendus ou des erreurs d’interprétation résultant de l’utilisation de cette traduction.