🤖 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.
⚙️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.
🔧Feature Engineering
Le feature engineering est la compétence qui sépare les bons data scientists des grands. Encoder, scaler, imputer, créer de nouvelles variables — c'est ici que se jouent 80% des gains de performance d'un modèle.
🤖Machine Learning classique
Régression, classification, arbres, SVM, clustering. Le socle conceptuel : scikit-learn en pratique.
📈Séries temporelles
Prévisions et analyse de séries temporelles : ARIMA, Prophet, LightGBM et validation temporelle correcte.
🧠Deep Learning
Réseaux de neurones, rétropropagation, CNN, RNN et l'entraînement avec PyTorch.
💬NLP et Transformers
Embeddings, attention, architecture Transformer, LLM, fine-tuning et RAG : l'IA moderne.
☁️Cloud, Docker & Déploiement AWS
Déployer ses modèles dans le cloud : Docker, AWS (EC2, S3, Lambda, SageMaker), GitHub Actions CI/CD. Le profil ML Engineer vs Data Scientist.
🚀MLOps et projets en production
Du notebook à la production : versioning, déploiement, monitoring, et les bonnes pratiques d'ingénierie ML.