ML-For-Beginners/translations/fr/README.md at main

🌐 Support multilingue

Pris en charge via GitHub Action (Automatisé & Toujours à jour)

Vous préférez cloner localement ?

Ce dépôt comprend plus de 50 traductions de 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 suivre le cours avec un téléchargement beaucoup plus rapide.

Rejoignez notre communauté

Nous avons une série continue "Apprendre avec l’IA" sur Discord, apprenez-en plus et rejoignez-nous sur Learn with AI Series du 18 au 30 septembre 2025. Vous découvrirez des astuces pour utiliser GitHub Copilot pour la science des données.

Apprentissage automatique pour débutants - Un programme

🌍 Parcourez le monde en découvrant l’apprentissage automatique à travers les cultures mondiales 🌍

Les Cloud Advocates de Microsoft sont heureux de proposer un programme de 12 semaines, 26 leçons, entièrement consacré à l’apprentissage automatique. Dans ce programme, vous apprendrez ce que l’on appelle parfois l’apprentissage automatique classique, en utilisant principalement la bibliothèque Scikit-learn et en évitant l’apprentissage profond, qui est abordé dans notre programme IA pour débutants. Associez ces leçons à notre programme ‘Science des données pour débutants’ également !

Voyagez avec nous autour du monde en appliquant ces techniques classiques à des données de nombreux pays et régions. Chaque leçon comprend des quiz avant et après la 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 ancrer les nouvelles compétences.

✍️ 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 ambassadeurs étudiants Microsoft 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

🤩 Gratitude supplémentaire aux ambassadeurs étudiants Microsoft Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons de R !

Pour commencer

Suivez ces étapes :

Faites un fork du 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 complémentaires 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, faites un fork complet du 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 vous arrêtant pour réfléchir à chaque point de contrôle des connaissances.
Essayez de créer les projets en comprenant les leçons plutôt qu’en exécutant directement le code de la solution ; ce code est toutefois disponible dans les dossiers /solution de chaque leçon orientée projet.
Faites le quiz après la leçon.
Réalisez le challenge.
Faites le devoir.
Après avoir terminé un groupe de leçons, consultez le forum de discussion et « apprenez à haute voix » en remplissant la grille PAT correspondante. Un 'PAT' est un Outil d’évaluation des progrès que vous complétez pour approfondir votre apprentissage. Vous pouvez aussi réagir à d’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 pour utiliser ce programme.

Vidéos explicatives

Certaines leçons sont disponibles sous forme de vidéos courtes. 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 en construisant ce programme : garantir qu’il soit axé sur des projets pratiques et qu’il inclue des quiz fréquents. De plus, ce programme a un thème commun pour lui donner une cohésion.

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 la classe oriente l’attention de l’étudiant vers l’apprentissage d’un sujet, tandis qu’un second quiz après la classe assure une rétention plus approfondie. Ce programme 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 jusqu’à la fin du cycle de 12 semaines. Ce programme comprend aussi un post-scriptum sur les applications réelles de l’apprentissage automatique, qui peut servir de crédit supplémentaire ou de base pour discussion.

Trouvez nos directives Code de conduite, Contribution, Traductions, et Dépannage. Nous accueillons vos retours constructifs !

Chaque leçon comprend

sketchnote optionnelle
vidéo complémentaire optionnelle
vidéo explicative (certaines leçons seulement)
quiz d’échauffement avant la leçon
leçon écrite
pour les leçons basées sur des projets, guides pas à pas pour construire le projet
points de vérification des connaissances
un challenge
lecture complémentaire
devoir
quiz après la leçon

Une note à propos des langues : Ces leçons sont principalement écrites en Python, mais beaucoup sont également disponibles en R. Pour compléter une leçon en R, allez dans le dossier /solution et cherchez les leçons en R. Elles incluent une extension .rmd qui représente un fichier R Markdown qui peut être simplement défini comme une intégration de blocs de code (en R ou autres langages) et un en-tête YAML (qui guide la mise en forme des sorties telles que PDF) dans un document Markdown. En tant que tel, cela sert de cadre d’écriture exemplaire pour la science des données puisqu’il vous permet de combiner votre code, sa sortie et vos pensées 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 à propos des quiz : Tous les quiz sont contenus dans le dossier Quiz App, pour un total de 52 quiz avec 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 leçon	Sujet	Regroupement des leçons	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’histoire de l’apprentissage machine	Introduction	Apprenez l’histoire sous-jacente à ce domaine	Leçon	Jen et Amy
03	Équité et apprentissage machine	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 pour l’apprentissage machine	Introduction	Quelles techniques les chercheurs en ML utilisent-ils pour créer 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 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 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 simple bot	Python	Stephen
17	Tâches courantes en NLP ☕️	Traitement du langage naturel	Approfondissez vos connaissances NLP en comprenant les tâches courantes requises 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 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 des séries temporelles avec ARIMA	Séries temporelles	Prévision des séries temporelles avec ARIMA	Python	Francesca
23	⚡️ Utilisation mondiale de l’énergie ⚡️ - prévision des séries temporelles 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 apprentissage par renforcement	Python	Dmitry
Postface	Scénarios et applications réels de ML	ML in the Wild	Applications intéressantes et révélatrices du ML classique	Leçon	Équipe
Postface	Débogage de modèle en ML avec le tableau de bord RAI	ML in the Wild	Débogage de modèle en apprentissage machine avec 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. Clonez ce dépôt, installez Docsify sur votre machine locale, puis dans le dossier racine de ce dépôt, tapez docsify serve. Le site 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 Intelligence Artificielle Générative

Apprentissage Fondamental

Série Copilot

Obtenir de l'aide

Si vous êtes bloqué ou avez des questions pendant l'apprentissage du Machine Learning ou la création d'applications d'IA, ne vous inquiétez pas — de l'aide est disponible.

Vous pouvez rejoindre les discussions avec d'autres apprenants et développeurs, poser des questions, et partager vos idées avec la communauté.

Rejoignez la communauté pour poser des questions et apprendre avec d'autres
Discutez des concepts de Machine Learning et des idées de projets
Obtenez des conseils de développeurs expérimentés

Une communauté de soutien est un excellent moyen de développer vos compétences et résoudre les problèmes plus rapidement.

Microsoft Foundry Discord Community

Si vous rencontrez des bugs, erreurs ou avez des suggestions d'amélioration, vous pouvez aussi ouvrir un Issue dans ce dépôt pour signaler le problème.

Pour des retours sur le produit ou pour rechercher dans les messages existants, visitez le Forum des développeurs :

Conseils supplémentaires pour apprendre

Passez en revue les notebooks après chaque leçon pour mieux comprendre.
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 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 native doit être considéré comme la source faisant autorité. Pour les informations critiques, une traduction professionnelle humaine est recommandée. Nous ne sommes pas responsables des malentendus ou des mauvaises interprétations résultant de l'utilisation de cette traduction.