Présentation détaillée du projet ML-For-Beginners

Aperçu du projet

ML-For-Beginners est un projet complet de tutoriel d'apprentissage automatique pour débutants, développé par l'équipe des Microsoft Cloud Advocates. Il s'agit d'un cursus classique d'apprentissage automatique de 12 semaines, comprenant 26 leçons et 52 quiz, axé sur l'exploration de l'apprentissage automatique à l'aide de données culturelles du monde entier.

Caractéristiques principales

• 🌍 Perspective mondiale : Apprendre l'apprentissage automatique à travers des données culturelles du monde entier.
• 📚 Cours structurés : Un cursus complet de 12 semaines, avec 26 leçons détaillées.
• 🧪 Axé sur la pratique : Une approche pédagogique basée sur des projets, en apprenant par la pratique.
• 🔍 Système d'évaluation : Comprend 52 quiz, avec une double évaluation avant et après les cours.
• 🎯 Apprentissage automatique classique : Utilise principalement la bibliothèque Scikit-learn, en évitant le contenu d'apprentissage profond.

Philosophie d'enseignement

Deux principes pédagogiques fondamentaux

1. Apprendre par la pratique : S'assurer que tout le contenu est basé sur l'apprentissage pratique par le biais de projets.
2. Évaluation fréquente : Assurer l'efficacité de l'apprentissage grâce à des quiz avant et après les cours.

Structure des cours

Chaque cours comprend les éléments suivants :

• Notes manuscrites optionnelles (sketchnote)
• Vidéos supplémentaires optionnelles
• Démonstrations vidéo (pour certains cours)
• Quiz de préparation avant le cours
• Contenu écrit du cours
• Guide étape par étape basé sur un projet
• Points de contrôle des connaissances
• Exercices de défi
• Matériel de lecture supplémentaire
• Devoirs
• Quiz après le cours

Plan de cours complet

Leçons 1 à 4 : Introduction aux bases de l'apprentissage automatique

• Leçon 1 : Introduction à l'apprentissage automatique
• Leçon 2 : Histoire de l'apprentissage automatique
• Leçon 3 : L'équité dans l'apprentissage automatique
• Leçon 4 : Techniques d'apprentissage automatique

Leçons 5 à 8 : Analyse de régression

• Leçon 5 : Introduction à la régression linéaire
• Leçon 6 : Prédiction du prix des citrouilles en Amérique du Nord (régression linéaire)
• Leçon 7 : Prédiction du prix des citrouilles (régression polynomiale)
• Leçon 8 : Introduction à la régression logistique

Leçon 9 : Développement d'applications Web

• Leçon 9 : Création d'une application Web

Leçons 10 à 13 : Algorithmes de classification

• Leçon 10 : Introduction aux algorithmes de classification
• Leçon 11 : Classification de la cuisine asiatique et indienne
• Leçon 12 : Plus d'algorithmes de classification
• Leçon 13 : Systèmes de recommandation

Leçons 14 et 15 : Algorithmes de clustering

• Leçon 14 : Introduction aux algorithmes de clustering
• Leçon 15 : Exploration des goûts musicaux nigérians

Leçons 16 à 20 : Traitement du langage naturel

• Leçon 16 : Introduction au traitement du langage naturel
• Leçon 17 : Tâches courantes de NLP
• Leçon 18 : Traduction et analyse des sentiments
• Leçon 19 : Analyse des commentaires d'hôtels romantiques (1)
• Leçon 20 : Analyse des commentaires d'hôtels romantiques (2)

Leçons 21 à 23 : Analyse des séries chronologiques

• Leçon 21 : Introduction à la prévision de séries chronologiques
• Leçon 22 : Prévision de séries chronologiques ARIMA
• Leçon 23 : Prévision de séries chronologiques par régression à vecteurs de support

Leçons 24 et 25 : Apprentissage par renforcement

• Leçon 24 : Apprentissage par renforcement et Q-Learning
• Leçon 25 : Apprentissage par renforcement avec Gym

Leçon 26 : Applications du monde réel

• Leçon 26 : Applications de l'apprentissage automatique dans le monde réel

Pile technologique et outils

Langages de programmation principaux

• Python : Utilisation principale de Python pour l'enseignement
• R : Version en langage R disponible pour certains cours

Bibliothèques et frameworks principaux

• Scikit-learn : Principale bibliothèque d'apprentissage automatique
• Écosystème scientifique des données Python : pandas, numpy, matplotlib, etc.

Outils de support

• Jupyter Notebook : Environnement de programmation interactif
• R Markdown : Utilisé pour les cours en langage R
• Quiz App : Application de quiz dédiée

Ressources d'apprentissage

Support multimédia

• Notes manuscrites pour aider à la compréhension des concepts
• Tutoriels vidéo pour des explications supplémentaires
• Démonstrations de projets pratiques

Système d'évaluation

• 52 quiz (chacun contenant 3 questions)
• Quiz de préparation avant le cours
• Quiz de consolidation après le cours
• Évaluation des projets pratiques

Support communautaire

• Forum de discussion GitHub
• Outil d'évaluation des progrès d'apprentissage (PAT)
• Apprentissage et feedback entre pairs

Conseils d'apprentissage

Public cible

• Débutants en apprentissage automatique
• Apprenants ayant une expérience de programmation de base
• Personnes souhaitant étudier systématiquement l'apprentissage automatique classique

Méthode d'apprentissage

1. Forker le projet sur votre compte GitHub personnel
2. Suivre chaque cours dans l'ordre
3. Réaliser tous les projets pratiques
4. Participer aux discussions communautaires et à l'apprentissage entre pairs

Cours complémentaires

• AI for Beginners : Contenu sur l'apprentissage profond
• Data Science for Beginners : Bases de la science des données

Équipe du projet

Auteurs principaux

• Jen Looper, Stephen Howell, Francesca Lazzeri
• Tomomi Imura, Cassie Breviu, Dmitry Soshnikov
• Chris Noring, Anirban Mukherjee, Ornella Altunyan
• Ruth Yakubu, Amy Boyd

Conception des illustrations

• Tomomi Imura, Dasani Madipalli, Jen Looper

Contributeurs étudiants ambassadeurs

• Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj
• Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum
• Ioan Samuila, Snigdha Agarwal

Utilisation

Obtenir le projet

git clone https://github.com/microsoft/ML-For-Beginners.git

Exécuter la documentation localement

npm i docsify-cli -g
docsify serve

Accès en ligne

• Accéder directement au dépôt GitHub
• Consulter la collection Microsoft Learn
• Regarder les tutoriels vidéo sur YouTube

Licence et contribution

Ce projet est régi par une licence open source et les contributions de la communauté sont les bienvenues. Le projet fournit des directives de contribution et un code de conduite détaillés, et prend en charge la traduction multilingue et l'amélioration du contenu.