Scratch
Débutant
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Scratch offre des capacités d'IA de base grâce à des extensions telles que la synthèse vocale et les modèles d'apprentissage automatique. Les élèves peuvent utiliser Scratch pour créer des chatbots simples alimentés par l'IA, des jeux éducatifs interactifs ou même des projets de reconnaissance des émotions à partir d'images. Consultez une vaste sélection de projets de Machine Learning for Kids qui utilisent Scratch.
Scratch est une plateforme de programmation visuelle, basée sur des blocs, qui initie les débutants à la programmation de manière intuitive et interactive. En utilisant les extensions spécialisées de Scratch AI, Machine Learning for Kids ou Google Teachable Machine, les élèves peuvent former des modèles simples à l'aide de données étiquetées, expérimenter la classification d'images et de textes et voir comment l'IA reconnaît les modèles.
MIT App Inventor
Débutant, Junior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: App Inventor offre des capacités d'IA intégrées, telles que la reconnaissance vocale, la classification d'images et les fonctions de conversion de la parole en texte, que les étudiants peuvent intégrer dans les applications mobiles. Les étudiants peuvent créer des assistants vocaux alimentés par l'IA, des applications de traduction ou des outils d'accessibilité pour les utilisateurs malvoyants. Explorez les didacticiels créés par le MIT qui intègrent l'IA dans diverses applications.
MIT App Inventor est une plateforme web open-source qui permet aux étudiants de concevoir et de développer des applications Android à l'aide d'une interface basée sur des blocs. La simplification de la création d'applications permet aux débutants de construire une application mobile fonctionnelle sans avoir à écrire un code trop long.
Thunkable
Débutant, Junior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Thunkable permet aux étudiants d'intégrer des API d'IA telles que Google Vision, les modèles GPT d'OpenAI et la reconnaissance vocale dans des applications mobiles. Les étudiants peuvent expérimenter des fonctionnalités basées sur l'IA et développer des projets tels que des chatbots alimentés par l'IA, des applications de recommandation musicale basées sur l'humeur ou des systèmes de contrôle de maisons intelligentes. Lisez ceci pour découvrir les façons de connecter l'IA à Thunkable.
Thunkable est une plateforme de développement d'applications mobiles sans code qui permet aux étudiants de créer des applications multiplateformes pour les appareils iOS et Android à l'aide d'interfaces de type « glisser-déposer ». Elle offre également des fonctionnalités avancées supplémentaires telles que des composants d'interface utilisateur personnalisés, des intégrations tierces et un stockage basé sur le cloud.
Web Apps
Junior, Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Les applications web permettent aux modèles d'IA d'être accessibles depuis n'importe quel endroit disposant d'une connexion internet. Les étudiants peuvent donc utiliser l'IA pour mettre en œuvre des fonctionnalités telles que l'analyse des sentiments, la génération automatisée de contenu ou la reconnaissance d'objets en temps réel. Les étudiants peuvent développer des applications d'IA basées sur le web telles que des systèmes de recommandation, des moteurs de recherche alimentés par l'IA ou des tuteurs d'IA interactifs. Découvrez comment l'IA peut être intégrée dans les applications web.
Les applications web, ou web apps, sont des logiciels interactifs qui s'exécutent dans un navigateur web au lieu d'être installés sur un appareil. Elles sont développées à l'aide d'une combinaison de langages de programmation frontaux tels que HMTL, CSS et JavaScript et de cadres back-end tels que Flask, Django et Node.js.
Python
Junior, Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Python sert de base à de nombreux projets d'IA, permettant aux étudiants de construire des modèles d'apprentissage automatique, d'automatiser le traitement des données et de développer des applications basées sur l'IA. Il est couramment utilisé dans le traitement du langage naturel (NLP), l'analyse prédictive et la robotique. Consultez ce tutoriel Python qui utilise Google Colab, une plateforme informatique interactive qui permet d'exécuter du code Python directement dans un navigateur.
Python est le principal langage de programmation utilisé dans les modèles d'apprentissage automatique. Il s'agit d'un langage de programmation général de haut niveau connu pour sa syntaxe intuitive, sa lisibilité, son cadre puissant et ses nombreuses bibliothèques qui soutiennent le développement de l'IA et de l'apprentissage automatique.
Scikit-Learn
Junior, Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Les étudiants peuvent former et évaluer des modèles d'IA pour des tâches telles que la reconnaissance de l'écriture manuscrite, la détection des spams et l'analyse prédictive. Scikit-Learn simplifie le processus de mise en œuvre des modèles d'apprentissage supervisé et non supervisé, permettant aux étudiants d'explorer des concepts tels que les arbres de décision, les machines à vecteurs de support et les voisins les plus proches. Parcourez la galerie d'exemples démontrant l'utilisation et les applications de Scikit-Learn.
Scikit-Learn est une bibliothèque Python qui fournit des outils simples et efficaces pour l'exploration et l'analyse de données, ainsi que pour le développement de l'apprentissage automatique, y compris la classification, la régression, le regroupement et la réduction de la dimensionnalité, ainsi que des utilitaires pour l'évaluation des modèles et le prétraitement.
Pandas
Junior, Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Pandas est une bibliothèque Python utilisée pour la manipulation et l'analyse de données, qui fournit des structures de données performantes et faciles à utiliser, telles que Series et DataFrame, simplifiant le travail avec des données structurées. Elle fournit des outils puissants pour le nettoyage, la transformation et l'agrégation des données, ce qui la rend essentielle pour l'analyse exploratoire des données (AED).
Pandas est une bibliothèque Python utilisée pour la manipulation et l'analyse de données, qui fournit des structures de données performantes et faciles à utiliser, telles que Series et DataFrame, simplifiant le travail avec des données structurées. Elle fournit des outils puissants pour le nettoyage, la transformation et l'agrégation des données, ce qui la rend essentielle pour l'analyse exploratoire des données (AED).
PyTorch
Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: PyTorch permet aux étudiants de développer des modèles d'apprentissage profond et des réseaux neuronaux pour des applications telles que le traitement du langage naturel, la reconnaissance et la classification d'images, la traduction de langues et l'IA générative. Consultez ces tutoriels pour découvrir PyTorch.
PyTorch est un cadre d'apprentissage profond open-source et est également largement utilisé comme cadre d'apprentissage automatique, tous basés sur Python. Il fournit des graphes de calcul dynamiques et des fonctionnalités telles que la construction d'un modèle d'apprentissage automatique à partir de blocs préconfigurés, le chargement de données à partir de fichiers de différents formats et l'exécution de l'entraînement du modèle en quelques lignes seulement, ce qui le rend très flexible pour la recherche et le développement en matière d'apprentissage profond.
NumPy
Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: NumPy est essentiel pour traiter les données numériques, optimiser les calculs des modèles d'IA, mettre en œuvre des algorithmes d'apprentissage profond, tels que les réseaux neuronaux, à partir de zéro, effectuer des transformations matricielles et traiter de grands ensembles de données. Lisez ceci pour comprendre les bases de NumPy.
NumPy est une bibliothèque fondamentale pour le calcul numérique en Python, qui prend en charge de grands tableaux et matrices multidimensionnels, ainsi qu'une collection de fonctions et d'opérations mathématiques pour ces derniers. Elle permet d'effectuer des opérations efficaces sur de grands ensembles de données en utilisant la vectorisation, ce qui la rend indispensable pour le calcul à haute performance et la modélisation mathématique.
Matplotlib
Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Les étudiants peuvent utiliser Matplotlib pour analyser et visualiser des ensembles de données, des tendances, des relations et des modèles avant de construire des modèles prédictifs, des performances de modèles et des prédictions d'IA à travers les graphiques et les tracés. Regardez cette galerie qui contient des exemples de graphiques utilisant Matplotlib.
Matplotlib est une bibliothèque de traçage Python flexible conçue pour la visualisation de données. Les étudiants peuvent créer une variété de graphiques hautement personnalisables, y compris des graphiques linéaires, des diagrammes à barres, des diagrammes de dispersion et des histogrammes.
Seaborn
Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Les étudiants peuvent présenter des informations par le biais de visualisations statistiques visuellement attrayantes et très détaillées, ce qui facilite l'interprétation des performances des modèles d'IA. Il est donc utile pour des tâches telles que l'analyse des biais dans les modèles d'IA, la visualisation de séries chronologiques de données et la création de comparaisons approfondies des résultats de l'apprentissage automatique. Consultez la galerie d'exemples d'application de Seaborn dans les projets.
Seaborn est une bibliothèque de visualisation de données Python basée sur Matplotlib. Elle a été conçue pour créer un moyen intuitif et visuellement attrayant d'afficher les relations statistiques dans les données et les graphiques, tout en fournissant des fonctions de haut niveau pour générer des visualisations complexes telles que des cartes thermiques, des diagrammes en violon et des diagrammes en paires.
Google Colab
Senior
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Google Colab permet aux étudiants d'entraîner efficacement des modèles d'IA, de travailler avec de grands ensembles de données et de collaborer à des projets sans avoir besoin de matériel local haut de gamme.
Google Colab est un environnement Jupyter Notebook basé sur le cloud qui permet aux étudiants d'écrire et d'exécuter du code Python avec un accès à des ressources informatiques puissantes telles que les GPU. Il prend en charge à la fois le code simple et le code complexe utilisés lors de la construction et de l'entraînement de modèles d'apprentissage automatique.
TenssorFlow
Supplémentaire
Division Recommendation:
Comment l'utiliser dans les projets d'IA: TensorFlow est couramment utilisé dans les applications d'apprentissage profond telles que la classification d'images, la reconnaissance vocale, les systèmes de recommandation et l'analyse prédictive. Les étudiants peuvent également l'utiliser pour construire des réseaux de neurones convolutifs (CNN) pour des tâches telles que la détection d'objets et la reconnaissance faciale ; des réseaux de neurones récurrents (RNN) pour la génération de texte et la synthèse vocale ; et des modèles de transformation pour les applications de traitement du langage naturel (NLP) telles que les chatbots et les traductions linguistiques. Explorez les didacticiels TensorFlow ; en haut de chaque didacticiel, vous verrez un bouton Exécuter dans Google Colab - cliquez sur le bouton pour ouvrir le bloc-notes et exécuter le code.
TensorFlow est un cadre d'apprentissage machine open-source qui permet aux étudiants de construire, d'entraîner et de déployer des modèles d'IA évolutifs de manière efficace pour la création de modèles d'apprentissage profond, tout en bénéficiant d'un vaste ensemble de bibliothèques, d'outils et de ressources communautaires accessibles à tous les étudiants.
OpenCV
Supplémentaire
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Google Colab permet aux étudiants d'entraîner efficacement des modèles d'IA, de travailler avec de grands ensembles de données et de collaborer à des projets sans avoir besoin de matériel local haut de gamme.
Open Source Computer Vision (OpenCV) est une puissante bibliothèque open-source de vision par ordinateur et d'apprentissage automatique utilisée pour le traitement d'images et de vidéos en temps réel. Elle fournit une vaste collection d'outils et d'algorithmes pour des tâches telles que la détection d'objets, la reconnaissance de visages, la détection de contours et l'analyse vidéo.
NLTK
Supplémentaire
Division Recommendation:
Comment l'utiliser dans les projets d'IA: NLTK permet aux étudiants de construire des modèles d'IA pour des applications textuelles, notamment des chatbots, des classificateurs de texte, des modèles d'analyse des sentiments et des outils de traduction alimentés par l'IA. Découvrez la liste des exemples d'utilisation de NLTK.
Le Natural Language Toolkit (NLTK) est une bibliothèque complète en Python conçue pour traiter et analyser les données du langage humain et fournir des outils pour des tâches telles que la tokenisation, l'analyse syntaxique et la classification de textes. NLTK prend en charge des applications de traitement du langage naturel (NLP) telles que l'analyse des sentiments, la traduction automatique et la recherche d'informations.
Streamlit
Supplémentaire
Division Recommendation:
Comment l'utiliser dans les projets d'IA: Les étudiants peuvent utiliser Streamlit pour développer des applications, des tableaux de bord et des outils d'analyse de données alimentés par l'IA, tout en créant des applications d'IA conviviales sans avoir besoin d'une expérience approfondie en matière de développement web. Découvrez la galerie d'applications intégrant Streamlit.
Streamlit est un framework Python qui simplifie la création d'applications web interactives et axées sur les données, spécifiquement pour les projets d'apprentissage automatique et de science des données. Grâce à son approche conviviale, les étudiants n'ont pas besoin de connaissances approfondies en matière de développement web, ce qui en fait un outil idéal pour le prototypage rapide et le partage d'applications de données.