Poste de travail
Terminal, VS Code, Python, fichiers et pile ML.
Apprendre, à votre rythme
Tous les cursus sont accessibles sans compte.
Cursus 01 · Débutant à avancé
Départ sans prérequis : Python, maths utiles, données, modèles et projets reproductibles. Le tronc commun se termine au chapitre 26 ; les chapitres suivants sont des approfondissements optionnels. Les durées des leçons sont indicatives et les projets demandent plus de temps.
Terminal, Python, fichiers et rappels maths avant le ML.
Terminal, VS Code, Python, fichiers et pile ML.
Bases, notations compactes et numpy en douceur.
Exp, log, distances, dérivée et probas avant le ML.
Métier, pipeline IA et méthode pour comprendre ce qu'on applique.
Apprendre depuis des exemples, pipeline complet et reproductibilité.
Algèbre linéaire, analyse, optimisation, probabilités et statistiques pour comprendre les modèles.
Vecteurs, normes, matrices et produit Xw+b.
Dérivées, gradient et enchaînement vers la backprop.
Batch, pas, momentum et arrêt.
Conditionnelle, lois, vraisemblance et a priori.
Biais-variance, incertitude et surprise.
Numpy vectorisé, pandas et qualité, visualisation et EDA.
Formes, broadcast et calculs sans boucle.
Lire, agréger, diagnostiquer et nettoyer sans fuite.
Distributions, relations, résidus et fiche d'exploration.
Formulation, splits sans fuite, baselines et évaluation honnête.
Poser x et y, séparer les rôles, bannir les fuites.
Métriques, seuils, validation croisée et comparaison.
Régression, classification linéaire, SVM, arbres et ensembles en pipelines honnêtes.
Moindres carrés, Ridge/Lasso et diagnostic des résidus.
Sigmoïde, log-loss, gradient, seuil et calibration.
Marge, hinge et astuce RBF.
Distances locales, dimension et splits.
Bagging, boosting et importance honnête.
Former et interpréter des groupes avec k-means et DBSCAN.
k-means, GMM, DBSCAN et choix sans vérité.
Variance, SVD et dimensions utiles.
MLP numpy, entraînement, CNN et séquences avant frameworks.
Perceptron, forward numpy et chaîne.
Init, optimiseurs, régularisation et boucle PyTorch.
Convolution, pooling, transfert et limites.
RNN, embeddings, attention et Transformer.
Pipelines mixtes, tracking, déploiement local et projets finaux.
Pipelines, tracking, dérive et bilan ingénieur.
Après les projets finaux, choisissez librement un thème : LLM, RAG, génératifs, séries temporelles, recommandation, causalité, scale ou audit. Aucun de ces chapitres n'est requis pour terminer le tronc commun.
Tokenisation, décodeur causal, LoRA et inférence locale.
Retrieval, rerank, génération citée et outils.
VAE, GAN, diffusion et contrôle.
Lags, backtest et baselines avant deep.
Factorisation, two-tower et biais.
GP, DAG, A/B et sensibilité.
Distribué, streaming, registre, Docker et monitoring.
SHAP, contrefactuels, adverse et OOD.