ML For Beginners
1.0.0
? Voyager à travers le monde en explorant le Machine Learning à travers les cultures du monde ?
Les Cloud Advocates de Microsoft sont heureux de proposer un programme de 12 semaines et 26 leçons consacré au Machine Learning . 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 d'IA pour débutants. Associez également ces leçons à notre programme « Science des données pour débutants » !
Voyagez avec nous à travers le monde pendant que nous appliquons ces techniques classiques aux données de nombreuses régions du monde. Chaque leçon comprend des quiz avant et après la leçon, des instructions écrites pour terminer la leçon, une solution, un devoir et bien plus encore. Notre pédagogie par projet vous permet d'apprendre tout en construisant, une manière éprouvée de « coller » de 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
Un merci spécial à nos auteurs, réviseurs et contributeurs de contenu Microsoft Student Ambassador , notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila et Snigdha Agarwal.
? Merci supplémentaire aux étudiants ambassadeurs Microsoft Eric Wanjau, Jasleen Sondhi et Vidushi Gupta pour nos leçons R !
Suivez ces étapes :
git clone https://github.com/microsoft/ML-For-Beginners.gitretrouvez toutes les ressources supplémentaires pour ce cours dans notre collection Microsoft Learn
Étudiants , pour utiliser ce programme, transférez l'intégralité du dépôt sur votre propre compte GitHub et effectuez les exercices seuls ou en groupe :
/solution de chaque leçon orientée projet.Pour une étude plus approfondie, nous vous 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 vidéo courte. Vous pouvez trouver tout cela en ligne dans les leçons ou sur la liste de lecture ML pour débutants sur la chaîne YouTube des développeurs Microsoft en cliquant sur l'image ci-dessous.
Gif de 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 programme : veiller à ce qu'il soit basé sur des projets pratiques et qu'il comprenne des quiz fréquents . De plus, ce cursus a une thématique commune pour lui donner de la cohésion.
En garantissant que le contenu correspond aux projets, le processus devient plus engageant pour les étudiants et la rétention des concepts sera augmentée. De plus, un quiz à faible enjeu avant le cours définit l'intention de l'élève d'apprendre un sujet, tandis qu'un deuxième quiz après le cours garantit une rétention accrue. Ce programme a été conçu pour être flexible et amusant et peut être suivi en totalité ou en partie. Les projets commencent modestement 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 du ML, qui peut être utilisé comme crédit supplémentaire ou comme base de discussion.
Retrouvez nos directives relatives au code de conduite, à la contribution et à la traduction. Nous apprécions vos commentaires constructifs!
Une note sur les langages : ces leçons sont principalement écrites en Python, mais beaucoup sont également disponibles en R. Pour terminer une leçon R, accédez au dossier
/solutionet recherchez les leçons R. Ils incluent une extension .rmd qui représente un fichier R Markdown qui peut être simplement défini comme une intégration decode chunks(de R ou d'autres langages) et unYAML header(qui guide comment formater des sorties telles que PDF) dans unMarkdown document. En tant que tel, il constitue un cadre de création exemplaire pour la science des données puisqu'il vous permet de combiner votre code, sa sortie et vos réflexions en vous permettant de les écrire dans 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 depuis les leçons mais l'application de quiz peut être exécutée localement ; suivez les instructions du dossier
quiz-apppour héberger ou déployer localement sur Azure.
| Numéro de leçon | Sujet | Regroupement de cours | Objectifs d'apprentissage | Leçon liée | Auteur |
|---|---|---|---|---|---|
| 01 | Introduction à l'apprentissage automatique | Introduction | Apprenez les concepts de base derrière l'apprentissage automatique | Leçon | Mahomet |
| 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 | Quelles sont les questions philosophiques importantes autour de l’équité que les étudiants devraient prendre en compte lors de la création et de l’application de modèles de ML ? | Leçon | Tomomi |
| 04 | Techniques d'apprentissage automatique | Introduction | Quelles techniques les chercheurs en ML utilisent-ils pour créer des modèles de ML ? | Leçon | Chris et Jen |
| 05 | Introduction à la régression | Régression | Premiers pas avec Python et Scikit-learn pour les modèles de régression |
|
|
| 06 | Prix des citrouilles en Amérique du Nord ? | Régression | Visualiser et nettoyer les données en préparation au ML |
|
|
| 07 | Prix des citrouilles en Amérique du Nord ? | Régression | Construire des modèles de régression linéaire et polynomiale |
|
|
| 08 | Prix des citrouilles en Amérique du Nord ? | Régression | Construire un modèle de régression logistique |
|
|
| 09 | Une application Web ? | Application Web | Créez une application Web pour utiliser votre modèle entraîné | Python | Jen |
| 10 | Introduction au classement | Classification | Nettoyez, préparez et visualisez vos données ; introduction au classement |
|
|
| 11 | De délicieuses cuisines asiatiques et indiennes ? | Classification | Introduction aux classificateurs |
|
|
| 12 | De délicieuses cuisines asiatiques et indiennes ? | Classification | Plus de classificateurs |
|
|
| 13 | De délicieuses cuisines asiatiques et indiennes ? | Classification | Créez une application Web de recommandation à l'aide de votre modèle | Python | Jen |
| 14 | Introduction au clustering | Regroupement | Nettoyez, préparez et visualisez vos données ; Introduction au clustering |
|
|
| 15 | Explorer les goûts musicaux nigérians | Regroupement | Explorez la méthode de clustering K-Means |
|
|
| 16 | Introduction au traitement du langage naturel ☕️ | Traitement du langage naturel | Apprenez les bases de la PNL en créant un robot simple | Python | Stéphane |
| 17 | Tâches PNL courantes ☕️ | Traitement du langage naturel | Approfondissez vos connaissances en PNL en comprenant les tâches courantes requises lors du traitement des structures linguistiques | Python | Stéphane |
| 18 | Traduction et analyse des sentiments | Traitement du langage naturel | Traduction et analyse des sentiments avec Jane Austen | Python | Stéphane |
| 19 | Hôtels romantiques d'Europe | Traitement du langage naturel | Analyse des sentiments avec les avis sur les hôtels 1 | Python | Stéphane |
| 20 | Hôtels romantiques d'Europe | Traitement du langage naturel | Analyse des sentiments avec les avis sur les hôtels 2 | Python | Stéphane |
| 21 | Introduction à la prévision de séries chronologiques | Séries chronologiques | Introduction à la prévision de séries chronologiques | Python | Francesca |
| 22 | ⚡️ World Power Usage ⚡️ - prévisions de séries chronologiques avec ARIMA | Séries chronologiques | Prévision de séries chronologiques avec ARIMA | Python | Francesca |
| 23 | ⚡️ World Power Usage ⚡️ - prévision de séries chronologiques avec SVR | Séries chronologiques | Prévision de séries chronologiques 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 | Dmitri |
| 25 | Aide Peter à éviter le loup ! ? | Apprentissage par renforcement | Salle d'apprentissage par renforcement | Python | Dmitri |
| Post-scriptum | Scénarios et applications de ML du monde réel | ML à l'état sauvage | Applications intéressantes et révélatrices du monde réel du ML classique | Leçon | Équipe |
| Post-scriptum | Débogage de modèle en ML à l'aide du tableau de bord RAI | ML à l'état sauvage | Débogage de modèles dans l'apprentissage automatique à l'aide des composants du tableau de bord d'IA responsable | 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 ordinateur local, puis dans le dossier racine de ce dépôt, tapez docsify serve . Le site Web sera servi sur le port 3000 de votre hôte local : localhost:3000 .
Trouvez un pdf du programme avec des liens ici.
Souhaitez-vous contribuer à une traduction ? Veuillez lire nos directives de traduction et ajouter un modèle de problème pour gérer la charge de travail ici.
Notre équipe produit d’autres cursus ! Vérifier:
