0Pricing
Machine Learning Academy icon
PythonPythonAiData_scienceNiveaux A1 → B215 langues

Machine Learning Academy

Apprenez le machine learning à partir des principes fondamentaux. Construisez et évaluez des modèles avec scikit-learn, maîtrisez les méthodes d'ensemble, et passez au deep learning avec PyTorch. Un parcours d'apprentissage CoddyKit composé de 30 cours courts et de 120 leçons interactives, avec un tuteur IA disponible 24 h/24 et 7 j/7.

Cours
30
Leçons
120
Étapes interactives
1,552
Gratuit pour commencer
Cours 1
Programme

30 cours dans ce parcours

Tous les cours du parcours Machine Learning Academy, dans l'ordre d'apprentissage. Le premier est gratuit.

1

A14 leçonsGratuit

Découvrez ce qu’est l’apprentissage automatique et en quoi il diffère de la programmation traditionnelle. Explorez les trois grands paradigmes d’apprentissage et observez des exemples concrets de rés…

  1. 1Programmation traditionnelle ou apprentissage automatique
  2. 2Apprentissage supervisé, non supervisé et par renforcement
  3. 3Le flux de travail de l’apprentissage automatique : des données à la prédiction
  4. +1 autres
Commencer gratuitement
2

A14 leçonsPRO

Configurez un environnement professionnel de développement en apprentissage automatique avec Anaconda, Jupyter et la pile scientifique Python essentielle. Apprenez à manipuler des tableaux avec NumPy…

  1. 1Installation d’Anaconda et de Jupyter Notebook
  2. 2Les fondamentaux de NumPy : tableaux et opérations mathématiques
  3. 3Pandas pour manipuler les données
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
3

A14 leçonsPRO

Développez votre intuition de l’apprentissage supervisé en entraînant votre premier modèle prédictif à partir de zéro. Découvrez comment la régression linéaire détermine la droite qui s’ajuste le mie…

  1. 1Équation d’une droite : pente, ordonnée à l’origine et prédictions
  2. 2Fonctions de coût et moindres carrés
  3. 3Entraîner une régression linéaire avec scikit-learn
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
4

A14 leçonsPRO

Passez de la prédiction de nombres à celle de catégories. Découvrez la régression logistique comme premier classifieur et apprenez comment une fonction sigmoïde transforme un score linéaire en probab…

  1. 1De la régression à la classification : décisions fondées sur un seuil
  2. 2Régression logistique et fonction sigmoïde
  3. 3La matrice de confusion expliquée
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
5

A14 leçonsPRO

Découvrez pourquoi évaluer un modèle sur ses propres données d’entraînement produit des résultats faussement optimistes et comment éviter ce problème grâce à une séparation appropriée des données. Ma…

  1. 1Pourquoi évaluer sur les données d’entraînement est impossible
  2. 2train_test_split : proportions, graines et stratification
  3. 3Compromis biais-variance : sous-ajustement ou surajustement
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
6

A24 leçonsPRO

Les données brutes sont presque jamais prêtes à être utilisées par un modèle : certaines valeurs manquent, les échelles varient fortement et les chaînes catégorielles doivent être encodées. Ce cours…

  1. 1Gérer les valeurs manquantes : supprimer, imputer et signaler
  2. 2Mise à l’échelle des caractéristiques : StandardScaler et MinMaxScaler
  3. 3Encoder les variables catégorielles : OrdinalEncoder et OneHotEncoder
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
7

A24 leçonsPRO

Découvrez l’un des algorithmes de classification et de régression les plus intuitifs : prédisez l’étiquette d’un nouveau point par vote majoritaire parmi ses k voisins les plus proches. Comprenez com…

  1. 1Fonctionnement de KNN : distance, voisins et votes
  2. 2Choisir k : méthode du coude et courbes de validation
  3. 3Métriques de distance : euclidienne, de Manhattan et de Minkowski
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
8

A24 leçonsPRO

Les arbres de décision séparent les données en posant des questions par oui ou par non, construisant ainsi un organigramme facile à visualiser et à expliquer aux parties prenantes non techniques. App…

  1. 1Construire un arbre : divisions, nœuds et feuilles
  2. 2Impureté de Gini et gain d’information
  3. 3Contrôler la profondeur de l’arbre pour éviter le surajustement
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
9

A24 leçonsPRO

Naive Bayes applique le théorème de Bayes en faisant une hypothèse forte d’indépendance, ce qui le rend extrêmement rapide sur les données textuelles de grande dimension. Créez un filtre anti-spam, d…

  1. 1Le théorème de Bayes en langage courant
  2. 2Sac de mots : CountVectorizer et TfidfVectorizer
  3. 3Entraîner un classificateur bayésien naïf multinomial
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
10

A24 leçonsPRO

L’exactitude seule peut être trompeuse lorsque les classes sont déséquilibrées ou que les coûts des erreurs de classification diffèrent. Maîtrisez l’ensemble des outils d’évaluation : ROC-AUC, courbe…

  1. 1Métriques de classification : exactitude, précision, rappel et F1
  2. 2Courbes ROC et AUC-ROC
  3. 3Métriques de régression : MAE, MSE, RMSE et R-Squared
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
11

B14 leçonsPRO

Un arbre de décision unique se surajuste ; une forêt composée d’arbres diversifiés généralise bien mieux. Apprenez comment les forêts aléatoires agrègent des centaines d’arbres entraînés sur des sous…

  1. 1Agrégation par bootstrap (bagging) expliquée
  2. 2Sélection aléatoire des caractéristiques : l’astuce des forêts aléatoires
  3. 3Erreur hors sac : validation gratuite dans la forêt
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
12

B14 leçonsPRO

Les SVM recherchent l’hyperplan à marge maximale qui sépare les classes, ce qui leur confère de solides garanties théoriques de généralisation. Découvrez l’astuce du noyau, qui permet aux SVM de gére…

  1. 1Classificateur à marge maximale : vecteurs de support et hyperplan
  2. 2SVM à marge souple et paramètre C
  3. 3L’astuce du noyau : noyaux RBF, polynomial et sigmoïde
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
13

B14 leçonsPRO

Le boosting par gradient entraîne séquentiellement des apprenants faibles, chacun corrigeant les erreurs résiduelles du précédent, pour obtenir des performances de pointe sur les données tabulaires.…

  1. 1Intuition du boosting : correction séquentielle des erreurs
  2. 2XGBoost : régularisation, arrêt anticipé et importance des caractéristiques
  3. 3LightGBM : croissance feuille par feuille et avantages en vitesse
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
14

B14 leçonsPRO

Une seule séparation entraînement-test peut être trompeuse en raison des variations aléatoires du découpage des données. La validation croisée fournit une estimation plus fiable en calculant une moye…

  1. 1Validation croisée K-Fold : découper sans fuite de données
  2. 2Validation croisée stratifiée et pour séries temporelles
  3. 3Recherche sur grille ou recherche aléatoire
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
15

B14 leçonsPRO

La qualité de vos caractéristiques détermine le plafond des performances de votre modèle, quel que soit l’algorithme utilisé. Apprenez à créer de nouvelles caractéristiques informatives à partir des…

  1. 1Créer de nouvelles caractéristiques : transformations logarithmiques, discrétisation et interactions
  2. 2Extraction de caractéristiques de date et d’heure
  3. 3Sélection de caractéristiques : seuil de variance et SelectKBest
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
16

B14 leçonsPRO

Le regroupement est une forme d’apprentissage non supervisé qui découvre des groupes naturels dans les données sans étiquettes. Maîtrisez K-Means pour les groupes globulaires et DBSCAN pour les group…

  1. 1K-Means : centroïdes, affectation et étapes de mise à jour
  2. 2Choisir K : méthode du coude et score de silhouette
  3. 3DBSCAN : points centraux, points de bord et bruit
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
17

B14 leçonsPRO

Les données de grande dimension sont difficiles à visualiser et contiennent souvent des caractéristiques redondantes qui ralentissent l’entraînement. PCA comprime l’information en composantes orthogo…

  1. 1PCA : variance, vecteurs propres et composantes principales
  2. 2Projeter les données et reconstruire les caractéristiques à partir des composantes
  3. 3t-SNE : préservation du voisinage pour la visualisation
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
18

B14 leçonsPRO

Les Pipelines de scikit-learn enchaînent les étapes de prétraitement et de modélisation au sein d’un même objet, ce qui évite les fuites de données et simplifie le déploiement. Apprenez à créer, vali…

  1. 1Créer votre première chaîne de traitement : mise à l’échelle et classifieur
  2. 2ColumnTransformer dans une chaîne de traitement
  3. 3Valider et rechercher sur grille une chaîne de traitement complète
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
19

B14 leçonsPRO

Dans la détection de fraude, le diagnostic médical et de nombreuses autres applications critiques, une classe peut représenter moins de 1 % des exemples. L’entraînement sur de telles données produit…

  1. 1Détecter le déséquilibre : répartition des classes et pièges de la référence
  2. 2Suréchantillonnage aléatoire et SMOTE
  3. 3Sous-échantillonnage aléatoire et ClusterCentroids
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
20

B14 leçonsPRO

Un modèle n’est utile que s’il peut produire des prédictions sur de nouvelles données en dehors de votre notebook Jupyter. Apprenez à enregistrer et à versionner des pipelines scikit-learn, à les ser…

  1. 1Enregistrer des modèles avec joblib et pickle
  2. 2Versionner les modèles : pourquoi les noms de fichiers et les métadonnées comptent
  3. 3Fournir des prédictions avec un point d’accès FastAPI
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
21

B24 leçonsPRO

PyTorch est le principal framework de recherche et de production pour l’apprentissage profond. Construisez votre premier réseau neuronal à propagation avant en partant des tenseurs, comprenez autogra…

  1. 1Tenseurs PyTorch : création, opérations et transfert vers le GPU
  2. 2Autograd : différentiation automatique pour la rétropropagation
  3. 3Construire un réseau à propagation avant avec nn.Module
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
22

B24 leçonsPRO

Une bonne architecture ne représente que la moitié du travail ; la dynamique d’entraînement détermine si le réseau converge vers une solution utile. Maîtrisez les programmes de variation du taux d’ap…

  1. 1Taux d’apprentissage : l’hyperparamètre le plus important
  2. 2Normalisation par lots : un entraînement stable et plus rapide
  3. 3Régularisation par abandon pour éviter le surapprentissage
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
23

B24 leçonsPRO

Les CNN exploitent la structure spatiale des images grâce au partage local des poids et à la mise en commun, réduisant le nombre de paramètres tout en améliorant l’invariance aux translations. Constr…

  1. 1Convolution et filtres : détecter les contours et les motifs
  2. 2Couches de regroupement : sous-échantillonnage spatial et invariance
  3. 3Construire et entraîner un CNN sur CIFAR-10
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
24

B24 leçonsPRO

Les données séquentielles, comme les séries temporelles, le texte et l’audio, présentent des dépendances temporelles que les réseaux à propagation avant classiques ignorent. Les RNN traitent les séqu…

  1. 1RNN classiques : état caché et déroulement des séquences
  2. 2Le problème de disparition des gradients sur de longues séquences
  3. 3Cellule LSTM : portes d’entrée, d’oubli et de sortie
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
25

B24 leçonsPRO

Entraîner de grands réseaux à partir de zéro nécessite d’immenses volumes de données et de puissance de calcul. L’apprentissage par transfert réutilise les poids de modèles préentraînés sur des milli…

  1. 1Modèles préentraînés dans torchvision : ResNet, EfficientNet et ViT
  2. 2Extraction de caractéristiques : geler le réseau de base
  3. 3Ajustement fin : dégeler les couches et réduire le taux d’apprentissage
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
26

B24 leçonsPRO

L’architecture de transformeur bidirectionnel de BERT comprend le contexte dans les deux directions et surpasse les anciens modèles séquentiels dans presque tous les tests de référence en traitement…

  1. 1Architecture Transformer : attention, jetons et contexte
  2. 2Tokeniseurs Hugging Face : encoder des textes pour BERT
  3. 3Ajustement fin de BertForSequenceClassification
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
27

B24 leçonsPRO

Le MLOps fait le lien entre la recherche en apprentissage automatique et l’ingénierie logicielle fiable en production. Découvrez le suivi des expériences avec MLflow, les environnements reproductible…

  1. 1Suivi des expériences avec MLflow : journaliser les paramètres, métriques et artefacts
  2. 2Des environnements reproductibles avec Docker pour l’apprentissage automatique
  3. 3Registre des modèles : préparation, production et archivage
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
28

B24 leçonsPRO

Les modèles se dégradent silencieusement en production lorsque le monde réel s’éloigne des conditions d’entraînement. Apprenez à surveiller les distributions de prédictions, à détecter rapidement les…

  1. 1Dérive des données : évolution des distributions de caractéristiques au fil du temps
  2. 2Dérive conceptuelle : quand la relation entre X et Y change
  3. 3Surveiller les distributions des prédictions et les scores de confiance
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
29

B24 leçonsPRO

À mesure que les systèmes d’apprentissage automatique prennent des décisions aux conséquences importantes dans le recrutement, l’octroi de prêts et les soins de santé, comprendre et auditer le compor…

  1. 1Valeurs SHAP : importance globale et locale des caractéristiques
  2. 2LIME : explications locales interprétables et indépendantes du modèle
  3. 3Mesures d’équité : parité démographique et égalité des chances
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
30

B24 leçonsPRO

Réunissez toutes les compétences de ce parcours dans un projet complet : acquérez et nettoyez un jeu de données réel, concevez des variables, entraînez et ajustez plusieurs modèles, évaluez-les et co…

  1. 1Définir le périmètre du projet : problème et critères de réussite
  2. 2Manipulation des données et analyse exploratoire
  3. 3Tournoi de sélection de modèles : comparer cinq algorithmes
  4. +1 autres
Commencer gratuitementDébloquer avec PRO
CoddyKit PRO

Débloquez les 30 cours de ce parcours et de tous les autres parcours

Tuteur IA, examen de certification et certificat. Disponible sur le web, iOS et Android.

Voir tous les forfaits
Annuel$29.90 / anEnviron $2.49 par moisPayer en une foisÀ vie$69.99 en une foisAucun renouvellement. PRO pour toujours.
Présentation du Cours

Machine Learning with Python

Apprenez le machine learning à partir des principes fondamentaux. Construisez et évaluez des modèles avec scikit-learn, maîtrisez les méthodes d'ensemble, et passez au deep learning avec PyTorch. Cette piste couvre 30 mini-cours progressifs du niveau débutant (A1) au niveau avancé (B2), avec des leçons courtes et ciblées et des quiz rapides pour consolider chaque concept.

What You Will Learn

Vous commencerez par les principes fondamentaux et progresserez à travers des sujets intermédiaires et avancés, chaque cours s'appuyant sur le précédent. Chaque leçon est pratique, avec des exemples réels et un tuteur IA disponible quand vous avez besoin d'aide.

How It Works

Chaque cours est divisé en quatre leçons ciblées. Complétez quelques leçons par jour et vous maîtriserez la piste complète en semaines, pas en mois.

Outils

Pratiquez avec l'IA, pas seulement la lecture

Boostez votre apprentissage avec des outils et fonctionnalités alimentés par l'IA

Chat IADiscute avec un tuteur IASuper QuestionObtiens des réponses au niveau expertPROCréer une LeçonCréateur de leçon alimenté par l'IAPROCommencer l'Examen de CertificationObtiens ton certificatPROCommencer le DéfiTeste tes compétences

Comment Tu Vas Apprendre

  1. 01

    Leçons Interactives

    Exercices de codage pratiques avec retours en temps réel

  2. 02

    Tuteur IA

    Obtiens une aide instantanée de notre IA quand tu es bloqué

  3. 03

    Éditeur Intégré

    Écris et exécute du code directement dans ton navigateur

  4. 04

    Certificat

    Obtiens un certificat en complétant le cours

Continuez à explorer

Parcours d'apprentissage associés

Deep Learning AcademyMaster deep learning with PyTorch, from neurons and backpropagation to CNNs, Transformers…Data Science AcademyTurn raw data into insight with Python. Master NumPy, pandas, visualization, and scikit-l…NLP AcademyBuild language AI with Python. From text preprocessing and embeddings to Transformers, na…MLOps AcademyTake ML models to production: experiment tracking, serving, CI/CD, monitoring, and drift…Mojo AcademyLearn Mojo, Modular's Python-family language built for AI speed. Write Python-like code w…Pandas & NumPy AcademyGo from spreadsheets to production-grade data analysis. Master NumPy arrays, Pandas DataF…
FAQ

Questions Fréquemment Posées

Le cours Machine Learning Academy est-il gratuit ?

Oui. Tu peux commencer le cours Machine Learning Academy gratuitement et compléter ses leçons interactives sans frais. Un abonnement PRO optionnel déverrouille des outils IA avancés et un certificat partageable.

Ai-je besoin d'expérience préalable pour apprendre Python ?

Non. Le cours commence par les fondamentaux et progresse graduellement vers des sujets plus avancés, tu peux donc commencer même sans expérience préalable en Python.

Comment vais-je apprendre Python sur CoddyKit ?

Tu apprends en faisant. Des leçons interactives courtes associent une explication claire avec un exercice de codage pratique qui s'exécute en temps réel, et un tuteur IA disponible 24h/24 offre une aide personnalisée dès que tu es bloqué.

Puis-je obtenir un certificat en complétant Machine Learning Academy ?

Oui. Les apprenants PRO peuvent passer un examen et obtenir un certificat de réussite partageable avec un code vérifiable pour le cours Machine Learning Academy.

Puis-je apprendre Python sur mon téléphone ?

Oui. CoddyKit est disponible sur le web et sous forme d'applications iOS et Android natives, tu peux donc apprendre Python sur n'importe quel appareil et ta progression se synchronise entre eux.

Combien coûte CoddyKit PRO ?

Le premier cours de Machine Learning Academy est gratuit. CoddyKit PRO débloque tous les cours : $5.90 par semaine, $7.90 par mois, $29.90 par an ou $69.99 en une seule fois pour un accès à vie sans renouvellement.

Combien de temps faut-il pour terminer Machine Learning Academy ?

Machine Learning Academy comprend 30 cours et 120 leçons. La plupart des leçons prennent environ 5–10 minutes, soit environ 14 heures de pratique concrète pour l'ensemble du parcours, à votre rythme.

Commencez Machine Learning Academy Maintenant

Rejoignez des milliers d'apprenants maîtrisant la programmation avec des cours alimentés par l'IA.

Commencer gratuitementParcourir Tous les Cours