Projets d’application
Projets d’application.
Des projets d’application pour passer d’une question à un modèle, puis à une application web. Cette page présente le premier projet du parcours ; d’autres réalisations viendront l’enrichir. Vous pouvez commencer sans savoir programmer.
- 4 parties
- Python · VS Code · Jupyter
- Niveau débutant
La question
Premier projet : estimer une note à l’examen
Pour apprendre l’IA sans se perdre, le parcours suit une seule question concrète. Chaque notion répond à un besoin du projet : lire des données, les comprendre, construire une estimation, puis vérifier si elle est fiable.
Nous partirons des informations disponibles avant un examen : le temps de travail, l’assiduité et les résultats précédents. La note à estimer reste séparée de ces entrées.
Peut-on estimer la note à un examen à partir du travail personnel et du contexte d’apprentissage ?
La destination
Ce que nous allons construire
Une petite application web : vous indiquez des informations comme le temps de travail, l’assiduité et les résultats précédents. Le modèle renvoie une note estimée et ses limites.
Informations avant l’examen
Réponse du modèle
Les éléments qui pèsent le plus
Démonstration pédagogique : ne pas utiliser pour décider du sort d’une personne réelle.
Le chemin
Quatre parties, une pièce à la fois
Chaque partie ajoute une pièce au projet. Les leçons paraissent une par une, dans l’ordre.
Comprendre l’IA et s’outiller
Les notions de base, Python, VS Code et Jupyter, puis l’exploration des données.
Le projet gagne : les données ouvertes et décrites dans un notebook.
En cours Le programmeUn vrai modèle
Préparer les entrées, entraîner, comparer à une référence, mesurer les erreurs et examiner les biais.
Le projet gagne : un modèle évalué, enregistré dans un fichier.
À venirL’application web
Une première application en Python, puis une API et une page web qui l’interroge.
Le projet gagne : le modèle répond dans une page web.
À venirLe deep learning
Un réseau de neurones entraîné sur les mêmes données, comparé aux premiers modèles.
Le projet gagne : un second modèle à comparer.
À venir
Les données
Les données du projet
Le classeur Student Performance Factors contient 6 607 lignes et 20 colonnes. Chaque ligne rassemble des facteurs liés au travail et au contexte d’apprentissage, ainsi qu’une note d’examen, Exam_Score. Une deuxième feuille décrit les champs.
La lecture du classeur sera abordée après les bases de Python, dans la leçon consacrée aux fichiers Excel.
Source : Student Performance Factors, lainguyn123, sur Kaggle. Les noms des colonnes sont conservés en anglais. Certaines variables contiennent des valeurs manquantes ; leur traitement et les limites des données seront expliqués dans les leçons.
- Hours_Studied
- Entrée : heures de travail par semaine
- Attendance
- Entrée : pourcentage de cours suivis
- Previous_Scores
- Entrée : résultats des examens précédents
- Gender
- Attribut sensible : réservé à l’examen des biais
- Exam_Score
- Cible : note d’examen à estimer
Les outils
Trois outils gratuits
Ils sont installés une fois, dans la leçon 2, puis utilisés dans tout le parcours.
- 1
Python
Le langage des exemples. Les bibliothèques arrivent au moment où elles servent : pandas, matplotlib, scikit-learn.
- 2
VS Code
L’éditeur de code, avec les extensions Python et Jupyter de Microsoft.
- 3
Jupyter
Des notebooks
.ipynbouverts dans VS Code : du texte et du code exécutable, cellule par cellule.
À retenir
L’essentiel, avant même de coder
Ces idées reviennent dans chaque leçon. Elles suffisent pour lire un résultat d’IA avec un regard critique.
Les dix notions du parcours
- Les données se lisent comme un tableau : une ligne par observation, une colonne par information.
- On distingue les entrées du modèle et la cible, ce que l’on cherche à prédire.
- Entraîner un modèle n’est pas l’utiliser pour prédire.
- On évalue un modèle sur des données qu’il n’a jamais vues.
- On le compare à une référence simple, par exemple la moyenne des notes calculée sur les seules données d’entraînement.
- Une note prédite est une estimation, accompagnée d’erreurs et d’incertitude.
- Aucune information du futur ne doit entrer dans le modèle.
- Les erreurs n’ont pas toutes le même coût.
- Un modèle peut être injuste : on le vérifie.
- Un modèle entraîné est un fichier qu’une application web peut utiliser.
Les règles du projet
- Les entrées ne contiennent que les informations disponibles avant l’examen ; Exam_Score est la cible.
- Les données d’évaluation restent séparées pendant l’entraînement et le choix des réglages.
- Le genre, le revenu familial et les difficultés d’apprentissage sont réservés à l’examen des biais, sans servir d’entrées à l’application.
- Aucun résultat n’est annoncé avant d’avoir été calculé.
- L’application est une démonstration, pas un outil de décision.
Prêt à commencer ?
La première leçon pose les mots de l’IA, sans rien installer. La deuxième prépare Python, VS Code et Jupyter.