Collection de projets du cours Python été 2026, couvrant les bases de la syntaxe Python, la prédiction par régression en Machine Learning, l'analyse des données de comportement étudiant, et la reconnaissance de gestes Pierre-Papier-Ciseaux basée sur YOLO11n.
Cette page documente un parcours de cours allant des bases de Python à la vision par ordinateur, en quatre étapes : 14 exercices de syntaxe, une régression par forêt aléatoire sur les prix immobiliers californiens, l’analyse de données sur le comportement numérique des élèves, et un détecteur de gestes à trois classes entraîné avec YOLO11n. Le modèle atteint un mAP50 de 0,940 sur l’ensemble de validation, la page listant le jeu de données, la configuration d’entraînement et les résultats d’évaluation.
Un travail de cours s’arrête souvent à un exemple d’algorithme unique. Ce projet enchaîne les bases de Python, l’apprentissage automatique classique et la détection par apprentissage profond en un parcours unique, avec des données, du code et des résultats complets à chaque étape.
La première étape couvre 14 exercices de syntaxe Python ; la deuxième applique une forêt aléatoire à la régression sur le jeu de données immobilier californien ; la troisième analyse les données de comportement numérique des élèves et produit six types de graphiques ; la quatrième entraîne YOLO11n à détecter les gestes pierre, feuille et ciseaux.
Python est le langage principal, avec la forêt aléatoire de scikit-learn pour l’analyse et la modélisation. L’étape de vision utilise YOLO11n avec 2,58 M de paramètres, entraîné sur une RTX 5060.
Le modèle de détection de gestes atteint un mAP50 de 0,940 sur l’ensemble de validation ; la page liste la taille du jeu de données, l’augmentation et la configuration d’entraînement. Le reproduire exige le code du cours, l’environnement de dépendances et les poids du modèle.
14 exercices d'introduction : types de données, contrôle de flux, fonctions, listes et dictionnaires — couverture complète des bases syntaxiques.
Régression par Random Forest pour prédire le prix médian des logements en Californie, R² = 0,805. Confirmation que le revenu et la localisation géographique sont les facteurs d'influence clés.
Jeu de données réel Kaggle, analyse de l'impact du temps d'étude et du temps d'écran sur le CGPA, comparaison multi-modèles.
🪨📄✂️ Détection en temps réel de Ciseaux/Pierre/Feuille, mAP50 sur l'ensemble de validation = 0,940, inférence à l'échelle de la milliseconde.
Exercices de programmation Python de niveau débutant, sans dépendances tierces
1.1.py — Carré d'un entier positif1.2.py — Sortie formatée des informations d'admission1.3.py — Longueur de l'hypoténuse d'un triangle rectangle2.1.py — Distance euclidienne entre deux points2.2.py — Somme des cubes des chiffres d'un nombre à trois chiffres2.3.py — Nombre d'occurrences d'une lettre (insensible à la casse)3.1-3.2 — Niveau de note / Type de caractère4.1-4.2 — Détermination du nombre de chiffres / Somme factorielle5.1-5.2 — Encapsulation de fonctions et calculs mathématiques6.1-6.2 — Compréhensions de liste / Mappage de dictionnairescikit-learn · California Housing Dataset
California Housing — Jeu de données intégré à scikit-learn
MedInc (revenu médian) > AveOccup (occupation moyenne) > Latitude / Longitude (localisation géographique) > HouseAge
Le niveau de revenu est le facteur prédictif le plus fort pour les prix immobiliers ; l'importance de la localisation reflète les écarts de prix entre différentes régions de Californie.
Jeu de données réel Kaggle · Régression linéaire vs Random Forest
Student Lifestyle and Academic Performance (Kaggle)
Distribution asymétrique à droite, la majorité des étudiants passent 3~8 heures par jour devant un écran
Corrélation positive claire, les étudiants étudiant 6~8 h/jour ont généralement un CGPA plus élevé
Temps d'étude > Taux d'assiduité > Temps d'écran
🪨📄✂️ Ultralytics · PyTorch · Détection d'objets
rock-paper-scissors-sxsw (Roboflow v11)
Génération de 7 versions augmentées par image originale :
📄 Paper
🪨 Rock
✂️ Scissors
Reconnaissance sur n'importe quelle photo de geste, les résultats sont annotés sous forme de boîte englobante + étiquette, sauvegardés dans le répertoire de sortie.
Utilisation de la caméra système (1280×720) pour une capture en temps réel, inférence à l'échelle de la milliseconde par image, affichage du taux de trames FPS dans la fenêtre, appuyez sur Q pour quitter.
Évaluation sur l'ensemble de validation, évaluation sur l'ensemble de test, outil de téléchargement du jeu de données, couverture complète du flux d'entraînement au déploiement.