Parcours pas à pas

Apprendre le machine learning avec Python.

Le parcours vous guide des notions d’IA à un premier modèle évalué, puis à son utilisation dans une application web. Commencez par les leçons dans l’ordre ; les rubriques permettent d’approfondir les types d’apprentissage, les métriques et les outils selon vos besoins.

Commencer la première leçon Explorer les thématiques

3 leçons publiées · 13 prévues dans cette partie

Les leçons disponibles

Chaque leçon reprend les acquis de la précédente. Choisissez votre point de départ ou continuez là où vous vous êtes arrêté.

  1. Leçon 1
    Cartes illustrant un arbre de décision, une régression, un réseau de deep learning et des contenus générés, sur un bureau clair.

    IA, machine learning, deep learning et IA générative : les bases

    Comprenez les différences entre IA, machine learning, deep learning et IA générative, puis suivez les étapes qui mènent du modèle à une application.

  2. Leçon 2
    Poste de travail pour installer Python avec uv : ordinateur portable affichant un éditeur, des cellules de notebook et un terminal, avec un carnet et une broche Python.

    Installer Python avec uv, VS Code et Jupyter : un poste prêt pour le machine learning

    Installer Python avec uv sous Windows, préparer VS Code et Jupyter, puis créer TesterProjet.ipynb pour vérifier le noyau et les bibliothèques du projet.

  3. Leçon 3
    Les bases de Python : une variable, une liste de scores et une fonction, avec un ordinateur et l’emblème Python.

    Les bases de Python : variables, listes, dictionnaires, conditions, boucles et fonctions

    Apprenez les bases de Python pas à pas : variables, listes, dictionnaires, conditions, boucles et fonctions, avec un notebook et un exercice corrigé.

Commencer sans se perdre

La première leçon se lit sans code ni installation. La deuxième prépare Python, uv, VS Code et Jupyter sous Windows. La troisième vous fait pratiquer les premières instructions Python.

  • Commencez par la leçon 1 si vous découvrez l’IA.
  • Gardez le même dossier de projet et le même environnement au fil des leçons.
  • Refaites les cellules et les exercices avant de poursuivre.

Pour approfondir le langage et les bibliothèques, explorez la rubrique Approfondir Python pour le machine learning.

Le programme de la partie 1

La suite se construit progressivement. Une leçon en préparation devient accessible ici lorsqu’elle est publiée.

Afficher toutes les leçons prévues
  1. Leçon 1 : IA, machine learning et deep learningCe que recouvrent ces notions, et ce qu’un modèle ne sait pas faire.
    Disponible
  2. Leçon 2 : Installer son environnement PythonPython, uv, VS Code et Jupyter, prêts pour le parcours.
    Disponible
  3. Leçon 3 : Les bases de PythonVariables, listes, dictionnaires, conditions, boucles et fonctions.
    Disponible
  4. Leçon 4 : Travailler sur les données d’un fichier ExcelLire, vérifier, sélectionner et exporter un tableau avec Python.
    En préparation
  5. Leçon 5 : Lire et écrire un fichier CSVPasser d’un fichier texte à des données exploitables.
    En préparation
  6. Leçon 6 : Calculer avec NumPyDes tableaux de nombres, sans écrire de boucle.
    En préparation
  7. Leçon 7 : Explorer avec pandasLire, décrire, filtrer et regrouper un jeu de données.
    En préparation
  8. Leçon 8 : Visualiser les donnéesChoisir et lire un graphique avec matplotlib et seaborn.
    En préparation
  9. Leçon 9 : L’apprentissage superviséApprendre à partir d’exemples dont on connaît la réponse.
    En préparation
  10. Leçon 10 : Statistiques et probabilitésRésumer des données et raisonner sur l’incertitude.
    En préparation
  11. Leçon 11 : Distances et descente de gradientComment un modèle ajuste ses paramètres.
    En préparation
  12. Leçon 12 : Une première régression linéaireUn modèle codé à la main, puis évalué.
    En préparation
  13. Leçon 13 : Cadrer un projet de machine learningJustifier la question, les données, la cible, les métriques et les limites.
    En préparation

Explorer les thématiques

Chaque rubrique présente ses sujets dans l’ordre de lecture et distingue les articles publiés, les contenus en préparation et ceux à venir. Les compléments ne s’ajoutent pas tous aux 13 leçons du parcours initial.

Comprendre l’IA

Types d’apprentissage, fonctionnement des modèles, métriques selon la tâche et limites. Choisir une méthode et comprendre son évaluation.

2 articles publiés

Voir les 26 sujets prévus

Les articles publiés sont accessibles par leur titre. Les autres sujets sont en préparation ou à venir.

Les tâches et les types d’apprentissage

  1. IA, machine learning, deep learning et IA générative : les basesPublié
  2. Apprentissage supervisé et non supervisé : comprendre le rôle de la ciblePublié
  3. Régression, classification ou regroupement : quelle tâche choisirEn préparation
  4. Apprentissage semi-supervisé et auto-supervisé : quel rôle pour les étiquettesÀ venir
  5. Apprentissage par renforcement : actions, récompenses et décisionsÀ venir
  6. Prédire ou expliquer : distinguer prédiction et inférence statistiqueÀ venir

Comment un modèle apprend et généralise

  1. Entraînement, prédiction et généralisation : comment un modèle apprendÀ venir
  2. Données, paramètres et hyperparamètres : comprendre les différencesÀ venir
  3. Fonction de perte et métrique d’évaluation : comprendre leur rôleÀ venir
  4. Sous-apprentissage, surapprentissage et compromis biais-varianceÀ venir
  5. Complexité et régularisation : pourquoi limiter la flexibilité d’un modèleÀ venir
  6. Les grandes familles de modèles : principes et critères de choixÀ venir

Choisir et lire les métriques selon la tâche

  1. Métriques de régression, de classification et de regroupement : choisir selon la tâcheÀ venir
  2. Classes déséquilibrées : pourquoi l’accuracy peut être trompeuseÀ venir
  3. Matrice de confusion, précision, rappel et F1 : lire les erreurs de classificationÀ venir
  4. Courbes ROC et précision-rappel : évaluer le classement des prédictionsÀ venir
  5. Probabilités prédites, log loss et score de Brier : évaluer leur qualitéÀ venir
  6. Classification multiclasse : comprendre les moyennes macro, micro et pondéréesÀ venir
  7. Évaluer un regroupement : cohésion, séparation et stabilitéÀ venir

Décider et évaluer avec des classes déséquilibrées

  1. Seuil de décision et coût des erreurs : choisir entre précision et rappelÀ venir
  2. Pondération des classes et rééchantillonnage : comprendre leurs effetsÀ venir
  3. Évaluer des classes rares : stratification, effectifs et fuites de donnéesÀ venir

Structures des données et limites du projet

  1. Analyse en composantes principales : réduire les dimensions et mesurer l’information conservéeÀ venir
  2. Performance prédictive et interprétabilité : comprendre les compromisÀ venir
  3. Biais des données et incertitude : comprendre les limites d’un modèle d’IAÀ venir
  4. Cadrer un projet d’IA : question, données et limitesÀ venir

Python pour le machine learning

Langage, environnement, bibliothèques et code du projet. Écrire, lire et réutiliser du code Python.

4 articles publiés

Voir les 32 sujets prévus

Les articles publiés sont accessibles par leur titre. Les autres sujets sont en préparation ou à venir.

  1. Installer Python avec uv, VS Code et Jupyter : un poste prêt pour le machine learningPublié
  2. Les bases de Python : variables, listes, dictionnaires, conditions, boucles et fonctionsPublié
  3. Types, mutabilité et copies en Python : éviter les modifications involontairesPublié
  4. Compréhensions de listes en Python : transformer et filtrer des donnéesÀ venir
  5. Écrire des fonctions Python réutilisables pour un projet de donnéesÀ venir
  6. Modules, imports et packages : organiser son code PythonÀ venir
  7. Itérateurs et générateurs : parcourir les données progressivementÀ venir
  8. Quand utiliser une classe Python dans un projet de machine learningÀ venir
  9. Lire un traceback et gérer les exceptions en PythonÀ venir
  10. Gérer les chemins et les fichiers avec pathlibÀ venir
  11. Lire et écrire du JSON avec PythonÀ venir
  12. Annotations de types et validation : vérifier les entrées en PythonÀ venir
  13. Tester les fonctions de préparation des données avec PythonÀ venir
  14. Configurer un projet Python et suivre son exécution avec des journauxÀ venir
  15. Rendre une expérience de machine learning reproductibleÀ venir
  16. Passer d’un notebook Jupyter à des modules Python réutilisablesÀ venir
  17. Lire un fichier Excel avec Python et vérifier les donnéesÀ venir
  18. Lire et écrire un fichier CSV avec PythonÀ venir
  19. Premiers tableaux NumPy : dimensions, types et calculsÀ venir
  20. Indexation, vectorisation et broadcasting avec NumPyÀ venir
  21. Explorer un DataFrame avec pandasÀ venir
  22. Filtrer, regrouper et joindre des données avec pandasÀ venir
  23. Créer des graphiques avec matplotlib et seabornÀ venir
  24. Comprendre le noyau et l’ordre d’exécution d’un notebook JupyterÀ venir
  25. Comprendre fit, predict et transform dans scikit-learnÀ venir
  26. Construire X et y avec Python sans fuite de donnéesÀ venir
  27. Préparer des colonnes numériques et catégorielles avec ColumnTransformerÀ venir
  28. Construire un Pipeline scikit-learn pour préparer les données et entraîner un modèleÀ venir
  29. Enregistrer et comparer ses expériences de machine learning avec PythonÀ venir
  30. Enregistrer et charger un modèle de machine learning avec PythonÀ venir
  31. Prédire pour une ligne ou un tableau avec scikit-learnÀ venir
  32. Réutiliser un modèle Python dans Streamlit et une APIÀ venir

Données statistiques et visualisation

Qualité, exploration, préparation et graphiques. Expliquer les données et les préparer correctement.

Les leçons de cette rubrique sont en préparation.

Voir les 8 sujets prévus

Les articles publiés sont accessibles par leur titre. Les autres sujets sont en préparation ou à venir.

  1. Décrire un jeu de données avant de construire un modèleÀ venir
  2. Repérer et traiter les valeurs manquantes et les doublonsÀ venir
  3. Variables numériques et catégorielles : types, unités et valeurs autoriséesÀ venir
  4. Explorer les distributions et examiner les valeurs inhabituellesÀ venir
  5. Statistiques et probabilités pour comprendre ses donnéesÀ venir
  6. Corrélation et causalité : interpréter une relation entre variablesÀ venir
  7. Choisir un graphique et interpréter ce qu’il montreÀ venir
  8. Préparer les variables d’un modèle sans fausser son évaluationÀ venir

Machine learning

Modèles, évaluation et interprétation. Comparer des résultats et justifier le choix d’un modèle.

Les leçons de cette rubrique sont en préparation.

Voir les 12 sujets prévus

Les articles publiés sont accessibles par leur titre. Les autres sujets sont en préparation ou à venir.

  1. Comprendre l’apprentissage supervisé avec un premier exempleÀ venir
  2. Construire un modèle de référence avant de comparer les algorithmesÀ venir
  3. Séparer les données d’entraînement, de validation et de testÀ venir
  4. Distances et descente de gradient : ajuster un modèle pas à pasÀ venir
  5. Première régression linéaire avec Python et introduction à la régularisationÀ venir
  6. MAE, RMSE et R² : choisir et interpréter les métriques de régressionÀ venir
  7. Arbres de décision : comprendre les règles apprises par un modèleÀ venir
  8. Forêts aléatoires et boosting : comparer des ensembles d’arbresÀ venir
  9. Validation croisée et hyperparamètres : régler un modèle avec méthodeÀ venir
  10. Surapprentissage et courbes d’apprentissage : diagnostiquer un modèleÀ venir
  11. Analyser les erreurs et interpréter l’importance des variablesÀ venir
  12. Passer de la régression à une classification ou un regroupement justifiéÀ venir

Applications web avec les modèles

Streamlit, API, interface et utilisation du modèle. Construire une application qui exploite une prédiction.

Les leçons de cette rubrique sont en préparation.

Voir les 10 sujets prévus

Les articles publiés sont accessibles par leur titre. Les autres sujets sont en préparation ou à venir.

  1. Créer une première application de prédiction avec StreamlitÀ venir
  2. Valider les entrées d’un formulaire avant une prédictionÀ venir
  3. Gérer le chargement du modèle et l’état d’une application StreamlitÀ venir
  4. Prédire à partir d’un fichier et exporter les résultats avec StreamlitÀ venir
  5. Afficher une prédiction et expliquer ses limites dans une interfaceÀ venir
  6. Créer une API de prédiction avec FastAPIÀ venir
  7. Définir les schémas JSON et gérer les erreurs d’une API de prédictionÀ venir
  8. Relier un formulaire HTML et JavaScript à une API de prédictionÀ venir
  9. Tester une application de machine learning du formulaire au résultatÀ venir
  10. Préparer la mise en ligne d’une application de machine learningÀ venir

Deep learning

Réseaux de neurones, entraînement et comparaison. Approfondir les modèles après les bases du parcours.

Les leçons de cette rubrique sont en préparation.

Voir les 6 sujets prévus

Les articles publiés sont accessibles par leur titre. Les autres sujets sont en préparation ou à venir.

  1. Neurones, couches et activations : comprendre un réseau de neuronesÀ venir
  2. Tenseurs et données tabulaires : préparer les entrées d’un réseauÀ venir
  3. Construire un premier réseau de neurones pour la régressionÀ venir
  4. Entraîner un réseau : gradients, mini-lots et fonction de perteÀ venir
  5. Limiter le surapprentissage avec la validation, l’arrêt anticipé et la régularisationÀ venir
  6. Comparer un réseau aux modèles classiques et l’utiliser dans une applicationÀ venir