Data science et analyse de données
Python, pandas, statistiques, expériences, SQL et communication honnête, pratiqués sur des données réelles et sur des données synthétiques clairement signalées.
14 chapitres · 39 leçons
Data Science & IA
De votre premier jeu de données au machine learning, aux réseaux de neurones, à l'IA générative et aux systèmes en production : six formations, où entrer selon vos compétences.
Bêta Toutes les formations de cette division sont en version bêta. Les leçons, les exercices et les traductions sont encore en cours de relecture et peuvent changer.
Six formations reliées par un même graphe de compétences. Les data scientists se demandent si les preuves soutiennent une conclusion. Les ingénieurs machine learning font généraliser un modèle. Les ingénieurs deep learning comprennent l'entraînement à partir des gradients. Les ingénieurs IA rendent les modèles rapides, fiables et abordables en service. Les développeurs d'applications LLM font tenir des composants probabilistes dans de vrais logiciels. Les ingénieurs data et MLOps maintiennent tout cela correct, jour après jour.
Ces métiers se recoupent, mais ils sont différents. Commencez là où en sont vos compétences.
Machine learning appliqué
Régression, classification, méthodes d'ensemble, évaluation et pipelines, implémentées d'abord à la main, puis avec scikit-learn.
13 chapitres · 30 leçons
Apprentissage profond et réseaux de neurones
Construisez vous-même la différentiation automatique, les optimiseurs, la convolution et l'attention, puis entraînez de vrais modèles avec PyTorch sur votre propre ordinateur.
10 chapitres · 22 leçons
Ingénierie de l'IA et calcul accéléré
L'apprentissage automatique à partir des mathématiques, en NumPy exécutable ici, puis PyTorch, les GPU, l'inférence et la mise en service sur votre propre machine.
12 chapitres · 29 leçons
IA générative et grands modèles de langage
Des jetons aux transformers, le RAG, les outils, l'évaluation et la sécurité, construits et testés dans votre navigateur avec un modèle de substitution déterministe.
9 chapitres · 21 leçons
Ingénierie des données et MLOps
Modélisation, pipelines idempotents, validation, orchestration, lignage, gestion des versions, supervision et retour arrière, le tout construit à la main pour que les outils prennent sens.
8 chapitres · 19 leçons
À quoi sert chaque formation
Data science et analyse de données
Enquêter sur des données inconnues et aboutir à des conclusions défendables, y compris « ces données ne permettent pas de répondre ».
Réalisation : Une enquête reproductible sur une vraie question, avec ses limites.
Par où commencer : Après les bases de Python. Commencez au début, ou aux statistiques si vous utilisez déjà pandas.
Machine learning appliqué
Cadrer un problème de prédiction, battre honnêtement une référence, éviter les fuites et dire ce que le modèle ne sait pas faire.
Réalisation : Un modèle prédictif avec une méthode justifiée et une évaluation reproductible.
Par où commencer : Après NumPy et les statistiques de base. Les mathématiques sont enseignées là où elles servent.
Vient après : Data science et analyse de données
Apprentissage profond et réseaux de neurones
Comprendre les réseaux de neurones comme mathématiques et calcul, construire leurs composants et diagnostiquer un entraînement raté.
Réalisation : Un réseau entraîné, évalué et documenté, après avoir écrit vous-même la rétropropagation et l'attention.
Par où commencer : Après la descente de gradient et l'évaluation des modèles.
Vient après : Machine learning appliqué
Ingénierie de l'IA et calcul accéléré
Rendre les modèles rapides, légers, mesurés et fiables en service, sur CPU et GPU, avec les bases de CUDA.
Réalisation : Un service d'inférence avec des performances mesurées, des tests et une documentation de déploiement.
Par où commencer : Après Python. Les premiers chapitres sont une voie rapide si vous n'avez pas suivi Deep Learning ; sinon, passez-les.
Vient après : Apprentissage profond et réseaux de neurones
IA générative et grands modèles de langage
Construire des applications LLM avec recherche documentaire, outils, évaluation et sécurité, et mesurer où elles échouent.
Réalisation : Une application originale avec jeu de référence, contrôles de sécurité et limites mesurées.
Par où commencer : Après Python professionnel. Les chapitres d'architecture ne supposent rien de plus ; le chapitre de fondations enseigne l'attention au niveau nécessaire.
Vient après : Python
Ingénierie des données et MLOps
Construire des pipelines et des opérations ML qui restent corrects : validation, idempotence, traçabilité, versions, surveillance, retour arrière.
Réalisation : Un pipeline reproductible, des données au modèle, avec validation, tests et surveillance.
Par où commencer : Après Python et SQL. Les chapitres MLOps supposent aussi un premier modèle entraîné.
Vient après : Python
Parcours à travers l'académie
Aucun ordre n'est imposé : chaque chapitre reste ouvert, alors passez ce que vous savez déjà.
- Du débutant au data scientist Vous connaissez les bases de Python.
- Ingénieur machine learning Vous analysez déjà des données et savez coder.
- Ingénieur IA accélérée Vous écrivez un Python solide ; le C++ aide pour les chapitres CUDA.
- Développeur d'applications LLM Vous êtes développeur et voulez construire avec des modèles de langage, correctement.
- Ingénieur data Vous préférez les systèmes fiables aux graphiques.
Ce que signifie vraiment « terminer »
Terminer une formation signifie que vous en avez réalisé les activités. Ce n'est pas un certificat : Understand n'en délivre aucun pour cette division aujourd'hui. Vous évaluez vos projets avec une grille publiée, tant qu'aucune relecture humaine n'existe.
- Leçon consultée Suivi
Vous avez ouvert la leçon : cela montre une exposition, rien de plus. - Exercice tenté Suivi
Vous avez lancé les vérifications au moins une fois. - Exercice réussi Suivi
Les vérifications ont réussi dans votre navigateur. Elles peuvent être contournées. - Compétence démontrée Suivi
Des activités réussies du premier coup, sans aide, et de nouveau au moins sept jours plus tard. - Projet réalisé Déclaré par vous
Vous avez coché la grille vous-même : personne ne l'a vérifiée. - Projet relu Pas encore disponible
Une personne applique la grille à votre dépôt. Vous pouvez envoyer un lien, mais aucun relecteur n'est encore désigné. - Compétence vérifiée de façon indépendante Pas encore disponible
Une évaluation surveillée, identité vérifiée. Pas encore proposée.