Maîtrisez le Machine Learning et le Web Full Stack
Un curriculum complet, un tuteur AI expert, un plan de discipline sur 5 ans et une progression visible sur votre GitHub.
ML classique
🎯 Objectifs d'apprentissage
🧪 Évaluation pratique
Problem Set 6 — Scoring crédit auditable
Tuteur alimenté par
Claude Sonnet · Anthropic
🔥 12 jours
"L'intelligence artificielle est la nouvelle électricité."
— Andrew Ng, co-fondateur de Coursera
Tout ce qu'il faut pour progresser comme à l'école
Tuteur AI personnel
Un expert disponible 24/7 qui connaît la leçon que tu consultes. Il explique, décortique tes erreurs, propose des pistes — mais ne fera jamais tes projets à ta place.
Parler au tuteur →Problem sets notés
Une évaluation pratique sur 100 par module, avec sa grille de notation, ancrée dans un cas réel — scoring crédit, détection de fraude, imagerie médicale.
Trois parcours
ML & Data Science, Web Full Stack et préparation PMP 2026.
27 projets portfolio
Guidés, de débutant à expert, pour un GitHub crédible.
Lectures de référence
Une sélection par module, gratuites signalées comme telles — MIT, Stanford, Hugging Face — avec la raison précise de chaque recommandation.
Streak & régularité
Ta constance mesurée jour après jour.
Certificats vérifiables
Partageables sur LinkedIn, adossés à tes projets.
Comment ça marche
Le même déroulé que dans une université : objectifs, cours, évaluation, certification.
- 01
Crée ton compte
Ta progression, tes notes et ton temps d'étude te suivent sur tous tes appareils.
- 02
Ouvre un module
Chaque module commence par ses objectifs d'apprentissage, ses prérequis et ses lectures de référence.
- 03
Valide par le quiz
Un quiz corrigé par module. On n'avance que sur des bases solides — comme en cours magistral.
- 04
Rends le problem set
Une évaluation pratique notée sur 100, ancrée dans un cas réel : scoring crédit, détection de fraude, prévision retail.
- 05
Obtiens ton certificat
Vérifiable, partageable sur LinkedIn, adossé à des projets publics sur ton GitHub.
Trois parcours complets
Complémentaires et progressifs. Choisis ton point d'entrée.
Setup Pro & Outils du Développeur
Environnement professionnel dès le premier jour : terminal, Git/GitHub, venv Python, PyCharm/VS Code. Le socle de tout ce qui suit.
Python pour la Data Science
Les fondations : syntaxe Python, structures de données, NumPy et Pandas. Indispensable avant tout ML.
SQL & Bases de Données
SQL est indispensable en Data Science et ML Engineering. Interroger, transformer et modéliser des données relationnelles avec PostgreSQL.
Mathématiques pour le ML
Algèbre linéaire, calcul différentiel, probabilités et statistiques — le langage dans lequel le ML est écrit.
EDA & Visualisation des Données
Avant tout modèle, il faut comprendre ses données. L'analyse exploratoire (EDA) révèle les patterns, anomalies et relations cachées. Matplotlib, Seaborn et Plotly sont les outils standard de tout data scientist.
Machine Learning & Data Science
De Python aux modèles en production : statistiques, ML classique, deep learning, NLP et MLOps.
Votre objectif
De zéro à ML Engineer en 5 ans
Pas de raccourcis. Un plan solide, des projets réels sur GitHub, et un tuteur AI disponible à toute heure.
Voir le plan complet →Questions fréquentes
Le plan est calibré sur 7 à 9 heures par semaine, soit environ une heure par jour plus une session longue le week-end. C'est un rythme tenable en parallèle d'un emploi. Tu peux aller plus vite, mais l'expérience montre que la régularité bat l'intensité : mieux vaut une heure tous les jours que sept heures le dimanche.
Non. Le parcours ML démarre par un module Setup (terminal, Git, environnements Python) puis un module Python complet. Le parcours Web démarre par HTML/CSS. Chaque module indique ses prérequis explicitement — tu sais toujours ce qu'il faut maîtriser avant d'ouvrir la porte suivante.
Il s'appuie sur Claude d'Anthropic et connaît le contenu de la leçon que tu consultes. Il t'explique un concept, décortique une erreur dans ton code, te suggère une piste. En revanche il refusera de faire tes projets à ta place — c'est une règle stricte de son prompt, parce qu'un projet fait par quelqu'un d'autre ne t'apprend rien.
Non, et une bonne partie sont gratuits et légaux : Mathematics for Machine Learning, Dive into Deep Learning, Forecasting Principles and Practice, Eloquent JavaScript. Les livres payants sont signalés comme tels avec leur prix indicatif et la raison précise de l'achat. Tu peux terminer le cursus sans en acheter un seul.
Une évaluation pratique notée sur 100 avec sa grille de notation, à la fin de chaque module. Le modèle vient de CS50 à Harvard : chaque exercice est ancré dans un domaine réel — scoring crédit auditable, détection de fraude bancaire, imagerie médicale, prévision de demande retail. Tu ne fais pas des exercices scolaires, tu résous des problèmes que rencontrent les professionnels.
Oui, les trois parcours sont accessibles avec le même compte : ML & Data Science, Web Full Stack et préparation PMP 2026. Le PMP couvre les trois domaines de l'ECO (People, Process, Business Environment) et se termine par un examen blanc chronométré de 180 questions.
Elles sont stockées sur ton compte, dans une base Supabase protégée par des politiques d'accès au niveau des lignes : personne d'autre que toi ne peut lire ta progression. Ton mot de passe n'est jamais stocké en clair — Supabase Auth le hashe avec bcrypt avant écriture, et l'application n'y a jamais accès.
Prêt à commencer ?
Consulte ton calendrier de discipline, choisis ton premier module et commence à construire des preuves sur GitHub.