🤖 ML-Library

A personal Machine Learning & Artificial Intelligence learning library.

Dépôt personnel dédié à l'étude, l'implémentation et l'expérimentation en Machine Learning et Intelligence Artificielle.

Ce repository n'est pas une roadmap de choses à apprendre : c'est la trace structurée de ce que j'ai étudié et implémenté, des fondamentaux du ML jusqu'au Deep Learning, aux modèles génératifs, au Reinforcement Learning et à la mise en application (AI Engineering).

---

📂 Structure du dépôt

ML-Library/
├── 0_intro_ml/          Fondamentaux du Machine Learning
├── 1_python_ml/         Python appliqué au ML (NumPy, Pandas, Matplotlib)
├── 2_deep_learning/     Bases des réseaux de neurones
├── 3_ai_engineering/    ML avancé + Deep Learning appliqué (21 modules)
├── 4_ml_algorithms/     Parcours principal d'implémentation par famille d'algorithmes
└── 5_projects/          Projets de bout en bout

---

📚 Contenu détaillé

0️⃣ 0_intro_ml — Introduction to Machine Learning

Notions fondamentales : data preprocessing, feature scaling, régression linéaire / multiple / polynomiale, régression logistique, SVM et Kernel SVM, K-Means, classification, clustering, évaluation de modèles.

1️⃣ 1_python_ml — Python for Machine Learning

Manipulation de données et workflows ML en Python : NumPy, Pandas, Matplotlib, préparation de données, visualisation, premiers modèles de régression et de classification sous Jupyter.

2️⃣ 2_deep_learning — Deep Learning Foundations

Réseaux de neurones artificiels, MLP, forward propagation, backpropagation, descente de gradient, premiers CNN.

3️⃣ 3_ai_engineering — ML avancé & Deep Learning appliqué

La section la plus dense du dépôt (21 modules progressifs), qui va des techniques d'ensemble jusqu'aux modèles de langage :

4️⃣ 4_ml_algorithms — Machine Learning Algorithms

Parcours principal d'implémentation, organisé par famille d'apprentissage :

• 1. Supervisé — Régression · Classification · Ensemble Learning
• 2. Non-supervisé — Clustering · Réduction de dimensionnalité
• 3. Semi-supervisé — Self-Training · Co-Training · Graph-Based Semi-Supervised Learning
• 4. Anomaly Detection — Détection d'anomalies
• 5. Deep Learning — MLP · CNN · RNN · Transformers · Variational Autoencoders · GAN · Diffusion Models
• 6. Reinforcement Learning — Value-Based Methods · Policy-Based Methods (REINFORCE) · Actor-Critic

5️⃣ 5_projects — Projets

Projets de bout en bout mettant en pratique les notions des sections précédentes :

---

🛠️ Technologies

Langages & outils — Python, Jupyter Notebook Data & ML — NumPy, Pandas, Matplotlib, Scikit-Learn Deep Learning — TensorFlow, PyTorch

La majorité des implémentations de Deep Learning des premières sections utilisent TensorFlow. PyTorch est introduit dans les parties plus avancées, notamment pour le Reinforcement Learning.

---

🚀 Utilisation

# Cloner le dépôt
git clone https://github.com/Wabaya243/ML-Library.git
cd ML-Library

# Créer un environnement virtuel
python -m venv .venv
source .venv/bin/activate      # Windows : .venv\Scripts\activate

# Installer les dépendances de base
pip install numpy pandas matplotlib scikit-learn jupyter tensorflow torch

# Lancer Jupyter
jupyter notebook

Chaque dossier est indépendant : ouvre directement le notebook du sujet qui t'intéresse.

---

📈 Learning Path

Python
   ↓
Mathematics & Statistics
   ↓
Machine Learning
   ↓
Supervised Learning
   ↓
Unsupervised Learning
   ↓
Semi-Supervised Learning
   ↓
Anomaly Detection
   ↓
Deep Learning
   ↓
Transformers
   ↓
Generative AI
   ↓
Reinforcement Learning
   ↓
AI Engineering
   ↓
AI Projects

---

🎯 Objectif

Documenter et centraliser mon parcours technique :

Machine Learning → Deep Learning → Generative AI → Reinforcement Learning → AI Engineering

Ce dépôt est à la fois une bibliothèque personnelle de connaissances, un espace d'expérimentation et une trace de mon évolution dans le domaine de l'IA.

---

👤 Auteur

THEYTHEY Kambale Divin — @Wabaya243 Master 1 Réseau et Cybersécurité, Université de Kinshasa (UNIKIN)