K plus proches voisins (KNN) — cours, TP VS Code et quiz (Word)

L’algorithme qui n’apprend rien et prédit quand même : la distance et le vote se calculent à la main, puis on découvre pourquoi la standardisation et le choix de k changent tout. Ce que contient le pack : — le cours détaillé au format Word, modifiable, avec six exercices de compréhension — le TP guidé pas à pas dans VS Code, avec travaux pratiques et mini-projet — un quiz de 40 questions sans réponses, prêt à distribuer — quatre scripts Python vérifiés, un CSV d’exemple, requirements.txt et les résultats attendus (matrice de confusion, courbe ROC, validation, pipeline sauvegardé) Au sommaire : Cours — 04.1 K plus proches voisins KNN : — Objectifs et prérequis — Parcours du module — 04.1.1 Comprendre la prédiction par proximité — 04.1.2 Calculer une distance euclidienne — 04.1.3 Faire un vote à la main — 04.1.4 Comparer les métriques de distance — 04.1.5 Standardiser les caractéristiques — 04.1.6 Choisir k et comprendre le compromis — 04.1.7 Pondérer les voisins par leur distance — 04.1.8 Préparer catégories et valeurs manquantes — 04.1.9 Comprendre la grande dimension — 04.1.10 Anticiper le coût et la régression — 04.1.11 Interpréter les résultats avec prudence — 04.1.12 Construire une évaluation honnête — 04.1.13 Retenir les paramètres essentiels — 04.1.14 Premier programme minimal — 04.1.15 Exercices de compréhension — 04.1.16 Synthèse et glossaire — Documentation pour approfondir Travaux pratiques — 04.2 K plus proches voisins KNN : — 04.2.1 Préparer Python et VS Code — 04.2.2 Comprendre le jeu de données et le protocole — 04.2.3 Programme complet commenté — 04.2.4 Lire le programme par étapes — 04.2.5 Résultats de la vérification — 04.2.6 Adapter un CSV avec nombres et catégories — 04.2.7 Analyser le mécanisme propre au modèle — 04.2.8 Exercices pratiques à réaliser — 04.2.9 Mini projet autonome — 04.2.10 Résoudre les erreurs fréquentes — Références techniques Quiz — sans corrigé. Volume : 3 documents Word, environ 6 900 mots (~18 pages). Le code source des scripts est publié librement : https://github.com/hrhouma2/aiopsatlas-apprentissage-supervise-code-fr/tree/main/04-knn