Toutes les leçons

Cours

IA de 3e : Python et apprentissage automatique

Utilise Python, NumPy et pandas pour entraîner et évaluer des modèles classiques d’apprentissage automatique.

Fais les leçons dans l’ordre. À la fin, tu peux écrire du Python avec des structures de données et des fonctions réutilisables. Tu peux additionner des vecteurs, calculer des probabilités et trouver la moyenne et l’écart-type. Tu peux charger, nettoyer et tracer un tableau avec NumPy et pandas. Tu peux ajuster une droite aux données, entraîner des classifieurs de régression logistique, d’arbre de décision et de k-NN, et grouper des données avec k-means. Tu peux calculer l’exactitude, la précision et le rappel, repérer le surapprentissage, comparer un modèle à une ligne de base simple et présenter des prédictions à partir d’un jeu de données environnemental.

Comment utiliser ces leçons

  • Commence à la leçon qui dit Fais ça. Passe à la suite quand tu peux faire tout seul la ligne sous le titre.
  • Joue d’abord aux Jeux. Ensuite fais les Quiz. 8 sur 10 justes pour réussir. Les Fiches sont sur papier. Les réponses sont en bas.
  • Chaque leçon s’appuie sur la précédente. Note chaque expérience : ce que tu as changé, ce qui s’est passé et pourquoi.
  • Les leçons de code utilisent Python dans un carnet en ligne gratuit. Utilise seulement les outils d’IA que ton professeur approuve, explique tout code que l’IA écrit pour toi, et ne mets jamais de données personnelles dans un jeu de données que tu partages.

Chaque leçon a des jeux, des quiz et des fiches.

0 sur 36

Programmation en Python

  1. 1Révision de la syntaxeÉcris du Python avec des variables, des conditions et des boucles.
    • Utilise des variables, des types et des f-strings.
    • Écris des blocs if, for et while.
    • Lis un traceback et corrige l’erreur.
  2. 2Structures de donnéesChoisis entre listes, tuples, ensembles et dictionnaires.
    • Utilise chaque structure pour son meilleur travail.
    • Écris des compréhensions de listes et de dictionnaires.
    • Emboîte des structures pour garder des enregistrements.
  3. 3Fonctions et modulesÉcris des fonctions réutilisables et teste-les.
    • Utilise des arguments par défaut et par mot-clé.
    • Écris des tests avec assert.
    • Importe tes fonctions depuis un module.
  4. 4Scripts de donnéesÉcris un script qui nettoie un fichier texte.
    • Lis un fichier ligne par ligne.
    • Corrige les mauvaises lignes et saute les vides.
    • Écris les données propres dans un nouveau fichier.

Maths pour l’apprentissage automatique

  1. 5VecteursAdditionne des vecteurs et trouve la distance entre des points.
    • Représente un point de données comme un vecteur.
    • Additionne des vecteurs et change leur échelle.
    • Calcule la distance euclidienne et le produit scalaire.
  2. 6ProbabilitéCalcule des probabilités simples et conditionnelles.
    • Calcule la probabilité d’un événement.
    • Calcule une probabilité conditionnelle à partir d’un tableau.
    • Simule des lancers de pièce pour vérifier ta réponse.
  3. 7StatistiqueTrouve la moyenne, la variance et l’écart-type.
    • Calcule chacune à la main et dans le code.
    • Explique ce que l’écart-type te dit.
    • Compare deux jeux de données par leur dispersion.
  4. 8Expériences de mathsTrace des données et décris leur dispersion.
    • Trace un histogramme.
    • Trace un nuage de points.
    • Décris le centre, la dispersion et les valeurs extrêmes.

Science des données

  1. 9NumPyFais des maths sur des arrays complets avec NumPy.
    • Crée des arrays et change leur forme.
    • Utilise des opérations vectorisées au lieu de boucles.
    • Indexe des arrays et prends-en des parties.
  2. 10pandasCharge, filtre et groupe un tableau avec pandas.
    • Charge un CSV dans un DataFrame.
    • Filtre des lignes et choisis des colonnes.
    • Groupe les données et résume-les.
  3. 11Nettoyage des donnéesGère les valeurs manquantes et les mauvais types.
    • Trouve les valeurs manquantes.
    • Remplis-les ou enlève-les, et explique ton choix.
    • Corrige les mauvais types et les lignes en double.
  4. 12VisualisationFais des graphiques qui répondent à une question.
    • Choisis le bon graphique pour la question.
    • Étiquette les axes et ajoute un titre.
    • Trouve un graphique trompeur et corrige-le.

Bases de l’apprentissage automatique

  1. 13Qu’est-ce que l’apprentissage automatiqueExplique comment un modèle apprend un motif à partir de données.
    • Compare écrire des règles et apprendre à partir des données.
    • Définis modèle, paramètres et entraînement.
    • Nomme trois usages réels de l’apprentissage automatique.
  2. 14Supervisé et non superviséDistingue les tâches supervisées des tâches non supervisées.
    • Dis que l’apprentissage supervisé utilise des étiquettes.
    • Dis que l’apprentissage non supervisé trouve une structure sans étiquettes.
    • Répartis dix tâches dans chaque groupe.
  3. 15Le flux de MLListe les étapes des données jusqu’à un modèle qui marche.
    • Ordonne les étapes : question, données, caractéristiques, entraîner, évaluer, déployer.
    • Dis ce qui peut mal tourner à chaque étape.
    • Dis pourquoi les étapes se répètent.
  4. 16Compare des tâches de MLRelie des problèmes à la régression, à la classification ou au regroupement.
    • Dis ce que chaque tâche prédit.
    • Relie dix problèmes à une tâche.
    • Réécris un problème comme une autre tâche.

Régression

  1. 17Régression linéaireAjuste une droite aux données.
    • Explique la pente et l’ordonnée à l’origine.
    • Ajuste une droite avec scikit-learn.
    • Trace la droite sur les données.
  2. 18CaractéristiquesChoisis des caractéristiques et change leur échelle.
    • Utilise plus d’une caractéristique.
    • Mets les caractéristiques sur la même plage.
    • Encode une caractéristique de catégorie.
  3. 19ErreurMesure l’erreur avec l’erreur quadratique moyenne.
    • Calcule les résidus.
    • Calcule l’erreur quadratique moyenne et l’erreur absolue moyenne.
    • Trace les résidus pour trouver un motif.
  4. 20Prédire des nombresEntraîne un modèle de régression et prédis de nouvelles valeurs.
    • Entraîne sur une partie des données.
    • Prédis le reste.
    • Donne l’erreur en unités réelles.

Classification

  1. 21Régression logistiqueEntraîne un classifieur de régression logistique.
    • Explique comment il transforme un score en probabilité.
    • Entraîne-le et prédis des probabilités.
    • Change le seuil et compare.
  2. 22Arbres de décisionEntraîne un arbre de décision et lis ses séparations.
    • Entraîne un arbre.
    • Dessine ses séparations et lis-les.
    • Limite sa profondeur et compare les scores.
  3. 23k plus proches voisinsClasse avec k-NN et choisis k.
    • Explique comment k-NN vote.
    • Essaie plusieurs valeurs de k.
    • Dis pourquoi l’échelle compte pour k-NN.
  4. 24Entraîner un classifieurCompare trois classifieurs sur un jeu de données.
    • Entraîne les trois avec la même séparation.
    • Compare leurs scores.
    • Choisis-en un et explique pourquoi.

Apprentissage non supervisé

  1. 25SimilaritéMesure la similarité de deux échantillons.
    • Utilise la distance euclidienne.
    • Utilise la similarité cosinus.
    • Trouve les éléments les plus similaires d’un jeu de données.
  2. 26k-meansGroupe des données avec un regroupement k-means.
    • Fais k-means à la main, étape par étape.
    • Lance-le dans scikit-learn.
    • Trace les clusters.
  3. 27Choisir kUtilise la méthode du coude pour choisir un nombre de clusters.
    • Lance k-means pour plusieurs valeurs de k.
    • Trace la courbe du coude.
    • Vérifie que les clusters ont du sens.
  4. 28Grouper des échantillonsRegroupe un jeu de données et décris chaque groupe.
    • Regroupe un vrai jeu de données.
    • Résume chaque cluster.
    • Donne un nom à chaque cluster.

Évaluation du modèle

  1. 29Séparation entraînement et testSépare les données et explique pourquoi.
    • Sépare avec train_test_split.
    • Utilise un jeu de validation pour ajuster.
    • Utilise la validation croisée.
  2. 30Exactitude, précision et rappelCalcule l’exactitude, la précision et le rappel.
    • Construis une matrice de confusion.
    • Calcule chaque mesure à partir d’elle.
    • Choisis la mesure qui va au problème.
  3. 31SurapprentissageRepère le surapprentissage en comparant les scores d’entraînement et de test.
    • Entraîne un modèle qui fait du surapprentissage.
    • Trace les scores d’entraînement et de test.
    • Réduis le surapprentissage et compare.
  4. 32Lignes de baseCompare un modèle à une ligne de base simple.
    • Fais une ligne de base qui devine toujours la réponse la plus courante.
    • Compare ton modèle à elle.
    • Explique quand un modèle ne vaut pas la peine.

Projet d’apprentissage automatique

  1. 33Choisir un jeu de donnéesChoisis un jeu de données environnemental ouvert et une question.
    • Trouve un jeu de données ouvert sur la météo ou la qualité de l’air.
    • Écris une question à laquelle il peut répondre.
    • Choisis la régression ou la classification.
  2. 34Préparer et explorerNettoie les données et trace les motifs principaux.
    • Nettoie les données.
    • Trace trois motifs.
    • Choisis des caractéristiques.
  3. 35Entraîner et comparerEntraîne deux modèles et compare-les à une ligne de base.
    • Entraîne deux modèles.
    • Compare-les à une ligne de base.
    • Vérifie le surapprentissage.
  4. 36Prédire les conditions environnementalesPrésente les résultats, les limites et les prochaines étapes.
    • Montre tes résultats et tes graphiques.
    • Explique les limites du modèle.
    • Propose les prochaines étapes.