NouveauParcours
Formation machine learning en Python, pas à pas
Une formation machine learning gratuite et concrète. Écris du vrai code scikit-learn, entraîne des modèles sur de vraies données et vois tes graphiques dans l'onglet Graphiques.
1,000+ codders inscrits
233 leçons231 défis965 questions de quiz
- Adapté aux débutants
Aide au codage assistée par IA
Leçons interactives et pratiques
Narration audio dans chaque leçon
Quiz pour tester vos connaissances
Certificat gratuit de réussite
Entraîne un modèle dans ton navigateur
Du vrai code scikit-learn avec son vrai résultat. Fais glisser le curseur pour changer une ligne et vois ce que le modèle apprend.
Un petit k mémorise chaque point d'entraînement et trace une frontière irrégulière. Un k plus grand la lisse.
main.py
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Chargement des graphiques
Sortie
Programme
Section 1
Données et visualisationsPage dédiée
Commencer la sectionDémarrerDévelopperRéduireLa boîte à outils de base de tout projet de machine learning : les tableaux NumPy, les graphiques matplotlib et les tables pandas. Chargez de véritables jeux de données, résumez-les et visualisez vos découvertes.Introduction
4 leçons320Tableaux NumPy
5 leçons520Calculs sur les tableaux
6 leçons625Façonner les données
4 leçons415Graphiques en courbes et nuages de points
6 leçons625Graphiques de données
5 leçons520DataFrames pandas
6 leçons625Filtrer et trier
5 leçons520Regrouper et nettoyer
5 leçons520Tracer des DataFrames
5 leçons520Jeux de données pour le ML
5 leçons520Défis finaux
4 leçons420Section 2
Statistiques pour le MLPage dédiée
Commencer la sectionDémarrerDévelopperRéduireLes statistiques qui sous-tendent chaque modèle : tendance centrale et dispersion, distributions, calcul des probabilités par simulation, échantillons, valeurs aberrantes, corrélation, lignes de tendance et tests de comparaison entre groupes, puis mise à l’échelle et encodage des caractéristiques. Chaque notion est calculée sur des données réelles et représentée graphiquement.Centre et dispersion
6 leçons625Distributions
6 leçons625Les probabilités par simulation
6 leçons625Échantillons et populations
5 leçons520Valeurs aberrantes
5 leçons520Relations
6 leçons525Droites de tendance
6 leçons625Comparer des groupes
6 leçons625Mise à l’échelle des caractéristiques
5 leçons520Encodage des catégories
4 leçons415Explorer un jeu de données
5 leçons520Défis finaux
4 leçons420Section 3
Apprentissage superviséPage dédiée
Commencer la sectionDémarrerDévelopperRéduireEntraînez de véritables modèles avec scikit-learn : séparez les données, ajustez les modèles, effectuez des prédictions et mesurez les performances. k-NN, régression linéaire et logistique, arbres, forêts et boosting, évaluation rigoureuse par validation croisée et pipelines, pour terminer par un projet de bout en bout sur les manchots.Votre premier modèle
5 leçons520Plus proches voisins
5 leçons520Régression linéaire
5 leçons520Régression logistique
5 leçons520Évaluer les classificateurs
6 leçons625Arbres de décision
5 leçons520Surapprentissage
5 leçons520Validation croisée
4 leçons415Ensembles
4 leçons415Chaînes de traitement
5 leçons520Projet : espèces de manchots
5 leçons525Défis finaux
4 leçons420Section 4
Apprentissage non superviséPage dédiée
Commencer la sectionDémarrerDévelopperRéduireDécouvrez la structure des données sans étiquettes : k-means, clustering hiérarchique et par densité, PCA pour visualiser et compresser de nombreuses caractéristiques, et détection d’anomalies, pour terminer par un projet d’exploration de chiffres.Découvrir des groupes
5 leçons520Choisir k
5 leçons520Interpréter les clusters
5 leçons520Classification hiérarchique
4 leçons415Regroupement par densité
4 leçons415Moins de dimensions
5 leçons520L’ACP en pratique
5 leçons520Détection des anomalies
5 leçons520Les clusters en action
4 leçons415Projet : Explorateur de chiffres
5 leçons525Défis finaux
4 leçons420
Ce que vous obtenez
Tout ce que vous utiliserez pour apprendre à coder
Apprendre en Faisant
Écrivez du vrai code, interrogez des bases de données, créez des sites web et maîtrisez les prompts IA. Nos leçons interactives couvrent toutes les compétences dont les développeurs modernes ont besoin.
playground.js
Éditeur de Code
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
Test n°1
Test n°2
Test n°3
Entrée
"Alex"
Sortie
"Hello, Coddy! Alex"
Construisez Votre Série
Restez constant et regardez vos progrès grandir! Suivez votre habitude quotidienne de codage, protégez votre série avec des jours de gel et gagnez des récompenses en vous connectant chaque jour.
12 jours de série
Revenez demain pour maintenir votre série!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Quitte ou Double
Jour 5 sur 7
Gel de Série
2 left
Vous N'êtes Pas Seul
Affrontez les classements mondiaux, invitez des amis pour gagner des récompenses et célébrez les succès des autres. Coder, c'est mieux entre amis!
Ligue ChallengerLes 7 premiers avancent
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
Zone de promotionApprenez comme vous voulez
Lisez, écoutez, testez-vous, demandez à l'IA ou retrouvez ce que vous avez déjà étudié. Chaque leçon s'adapte à vous.
Intro aux variables
Audio
Une variable est un conteneur nommé qui stocke une valeur réutilisable plus tard dans votre programme.
En Python, on en crée une en écrivant le nom, un signe égal, puis la valeur à stocker.
La valeur peut évoluer : réassigner le nom le fait simplement pointer vers une nouvelle valeur.
1xSarah
Certifiez-vous
Gagnez des certificats pour chaque cours terminé. Ajoutez-les à votre profil LinkedIn et CV pour montrer votre expertise en programmation aux employeurs.
Certificat de RéussiteCeci certifie queJean Duponta complété avec succès
Fondamentaux de Python
Fondamentaux de Python
Datejanv. 2026
Ajouter à LinkedInPourquoi apprendre le machine learning avec Coddy
- Tu le vois avant de le lire. Chaque leçon s'ouvre sur un graphique ou un schéma : un nuage de points d'iris, une frontière de décision, un dendrogramme. Puis tu écris le code, et ton propre graphique apparaît à côté, dans l'onglet Graphiques.
- Du vrai Python, de vraies bibliothèques.
numpy,pandas,matplotlib,scipyetscikit-learntournent sur Coddy, dans les versions qu'utilisent les data scientists :model.fit(X_train, y_train)ici, c'estmodel.fit(X_train, y_train)au travail. Rien à installer, aucun notebook à configurer. - Quatre sections dans l'ordre du vrai travail : données et graphiques, statistiques pour le ML, apprentissage supervisé, puis apprentissage non supervisé. 233 leçons courtes, chacune avec une idée nouvelle et un exercice qui la met en pratique.
- De vraies données qui racontent une histoire : les fleurs d'iris, la chimie du vin, les chiffres manuscrits, les manchots de Palmer. Tu termines deux projets, un classifieur d'espèces de manchots et un explorateur de chiffres, et chaque graphique a un titre et des axes nommés, prêt pour un rapport.
Questions fréquentes sur la formation machine learning
Qu'est-ce que le machine learning ?
Le machine learning, c'est apprendre à un ordinateur par l'exemple plutôt que par des règles. Tu montres à un modèle beaucoup de lignes de données, par exemple des fleurs avec la taille de leurs pétales et leur espèce, et il en tire un motif qu'il peut appliquer à des lignes jamais vues. Si les lignes ont des réponses, c'est de l'apprentissage supervisé ; si elles n'en ont pas et que le modèle trouve des groupes tout seul, c'est de l'apprentissage non supervisé. Cette formation enseigne les deux.
Faut-il être bon en maths pour apprendre le machine learning ?
Non. Il te faut l'arithmétique de l'école et la patience de lire un graphique. La formation enseigne les statistiques qu'utilise le machine learning (moyennes, dispersion, distributions, corrélation, p-values) avec des simulations et des images, et scikit-learn fait les gros calculs pour toi. Le calcul différentiel et l'algèbre linéaire aident si tu veux un jour créer de nouveaux algorithmes, mais ils ne sont pas nécessaires pour entraîner, tester et comprendre des modèles.
Faut-il connaître Python avant de commencer ?
Les bases, oui : variables,
if, boucles, fonctions et listes. C'est la section Fondamentaux du cours Python, quelques semaines à raison d'une heure par jour. Tout le reste, import, NumPy, pandas, matplotlib et scikit-learn, est enseigné ici dès la première ligne.Quelles bibliothèques Python vais-je apprendre ?
La pile standard du machine learning : NumPy pour les tableaux, pandas pour les tables, matplotlib pour les graphiques, SciPy pour les statistiques et scikit-learn pour les modèles (k plus proches voisins, régression linéaire et logistique, arbres de décision, forêts aléatoires, gradient boosting, k-means, DBSCAN, PCA et plus encore). Elles tournent sur Coddy dans leurs versions actuelles : ce que tu écris ici fonctionne de la même façon sur ton ordinateur.
Faut-il un GPU ou un ordinateur puissant ?
Non. Ton code tourne sur les serveurs de Coddy et les graphiques reviennent dans ton navigateur : un portable, un Chromebook ou une tablette suffit. Le machine learning classique avec scikit-learn tourne très bien sur un processeur ordinaire ; un GPU compte pour entraîner de grands réseaux de neurones, que cette formation ne couvre pas.
Que pourrai-je créer après cette formation ?
Des modèles qui répondent à de vraies questions à partir d'une table : cet e-mail est-il un spam, quels clients risquent de partir, de quelle espèce est ce manchot, combien de vélos seront loués demain, quels groupes d'acheteurs existent, quelles mesures de serveur semblent anormales. Tu apprends aussi à les juger honnêtement avec des jeux de test, la validation croisée, les matrices de confusion et les courbes ROC : c'est ce qui rend un modèle digne de confiance.
Combien de temps faut-il pour apprendre le machine learning ?
Cette formation compte 233 leçons en 4 sections, environ 40 heures à ton rythme, soit deux à trois mois à raison d'une demi-heure par jour. Le parcours Data Science la place après Python et SQL. Ensuite, le moyen le plus rapide de progresser est de prendre un jeu de données public qui te parle et d'y refaire la démarche des projets du cours.
Cette formation machine learning est-elle gratuite ?
Oui. Les leçons, les graphiques, les indices IA et les certificats sont gratuits. Un compte gratuit permet de suivre quelques leçons par jour, et Pro supprime la limite quotidienne.
