🤖 Parcours ML & Data Science

Suivez les modules dans l'ordre — chaque module se valide par un quiz.

Ta maîtrise par module

Passe les quiz de chaque module pour voir ta maîtrise apparaître ici.

Environnement professionnel dès le premier jour : terminal, Git/GitHub, venv Python, PyCharm/VS Code. Le socle de tout ce qui suit.

Les fondations : syntaxe Python, structures de données, NumPy et Pandas. Indispensable avant tout ML.

SQL est indispensable en Data Science et ML Engineering. Interroger, transformer et modéliser des données relationnelles avec PostgreSQL.

Algèbre linéaire, calcul différentiel, probabilités et statistiques — le langage dans lequel le ML est écrit.

Régression, classification, arbres, SVM, clustering. Le socle conceptuel : scikit-learn en pratique.

Réseaux de neurones, rétropropagation, CNN, RNN et l'entraînement avec PyTorch.

Embeddings, attention, architecture Transformer, LLM, fine-tuning et RAG : l'IA moderne.

Déployer ses modèles dans le cloud : Docker, AWS (EC2, S3, Lambda, SageMaker), GitHub Actions CI/CD. Le profil ML Engineer vs Data Scientist.

Du notebook à la production : versioning, déploiement, monitoring, et les bonnes pratiques d'ingénierie ML.