Trois parcours, une progression cohérente.

Les syllabus ci-dessous listent ce qui est enseigné, combien de temps cela prend, et — point important — ce qui est délibérément absent de chaque parcours.

Retour à l'accueil

Notre approche

Les trois parcours sont conçus pour être suivis dans l'ordre. Chacun suppose les connaissances du précédent. Cet enchaînement n'est pas arbitraire : les sujets abordés dans le parcours préparatoire sont précisément ceux dont dépend la compréhension de la rétropropagation dans le parcours suivant, et ainsi de suite.

Les durées indiquées correspondent aux heures d'enseignement, pas à l'effort total. L'effort hebdomadaire estimé — qui inclut les exercices, les lectures et les soumissions — est précisé dans chaque section.

Parcours 1 — Entrée

Parcours préparatoire

7 semaines · 14 heures d'enseignement · 5 h/semaine

Python pour le calcul numérique, NumPy, matrices et applications linéaires, dérivées et gradients, probabilités, et ajustement d'un modèle simple à partir de zéro. L'ensemble de ces sujets est abordé avec des exercices demandant des calculs sur papier avant d'ouvrir un terminal.

Ce qui est inclus

Deux séances en direct par semaine (enregistrées)
Exercices avec solutions complètes
Trois soumissions notées avec retours écrits
Accès au forum de questions
Attestation de suivi listant les sujets couverts

Prérequis

Connaissance de base d'un langage de programmation (Python de préférence). Aisance avec les notions mathématiques de lycée (fonctions, algèbre, fractions). Aucune expérience préalable en apprentissage automatique requise.

Sujets délibérément exclus de ce parcours

Frameworks d'apprentissage automatique (PyTorch, TensorFlow)

Réseaux de neurones

Déploiement de modèles

CHF 155

S'inscrire à ce parcours

Étapes du parcours

01Python numérique et NumPy
02Opérations matricielles et applications linéaires
03Dérivées, gradients et optimisation
04Probabilités discrètes et continues
05Ajustement d'un modèle à partir de zéro

Étapes du parcours

01Rétropropagation en Python pur
02Introduction à PyTorch
03Modèles convolutifs (CNN)
04Modèles récurrents et séquences
05Architectures à attention et transformeurs
06Tokenisation et affinement
07Conception de l'évaluation et analyse d'erreurs

Parcours 2 — Intermédiaire

Parcours réseaux de neurones

17 semaines · 34 heures d'enseignement · 10–12 h/semaine

Rétropropagation implémentée à la main, PyTorch, modèles convolutifs et récurrents, transformeurs, tokenisation, affinement, conception de l'évaluation et analyse d'erreurs. Le parcours inclut quinze heures de code examiné par un instructeur.

Ce qui est inclus

Revue de code hebdomadaire par un instructeur
Crédits de calcul inclus
Quatre devoirs notés avec retours écrits
Projet de fin de parcours avec rapport écrit
Soutenance orale du projet final

Prérequis

Parcours préparatoire Perceptra ou niveau équivalent vérifié par un exercice d'entrée corrigé. La maîtrise des opérations matricielles et de la descente de gradient est supposée acquise.

Sujets délibérément exclus de ce parcours

Entraînement distribué sur plusieurs nœuds

Infrastructure de service et déploiement

Ingénierie des coûts de calcul

CHF 630

S'inscrire à ce parcours

Parcours 3 — Avancé

Parcours ingénierie de production

24 semaines · 48 heures d'enseignement · 12–15 h/semaine

Pipelines d'entraînement reproductibles, versionnage des données et des artefacts, suivi d'expériences, images de conteneurs, déploiement, budgets de latence et de coût, surveillance de la dérive de distribution, harnais d'évaluation, revue d'incident, et documentation pour les personnes qui maintiennent le système.

Ce qui est inclus

Accès à un cluster partagé pendant deux mois d'opérations
Quatre revues d'architecture avec les instructeurs
Deux incidents simulés en conditions réalistes
Soutenance orale d'architecture
Document décrivant les systèmes construits et opérés

Prérequis

Parcours réseaux de neurones Perceptra, ou expérience professionnelle en ingénierie logicielle avec pratique des systèmes distribués. Les candidats extérieurs peuvent soumettre un dossier pour examen.

Sujets délibérément exclus de ce parcours

Conception de nouvelles architectures de modèles

Optimisation de l'entraînement à grande échelle

Gestion d'équipes de machine learning

CHF 990

S'inscrire à ce parcours

Étapes du parcours

01Reproductibilité des pipelines d'entraînement
02Versionnage des données et des artefacts
03Suivi d'expériences et registres
04Images de conteneurs et déploiement
05Budgets de latence et de coût
06Surveillance de la dérive de distribution
07Harnais d'évaluation et revue d'incident
08Documentation pour les mainteneurs

Choisir son point d'entrée

Le tableau suivant aide à identifier le bon parcours selon le profil.

Profil	Préparatoire	Réseaux	Production
Développeur sans expérience en ML	✓ Commencer ici	Après prépa	Après réseaux
Ingénieur ayant suivi un MOOC d'introduction	Possible selon niveau	✓ Si exercice réussi	Après réseaux
Praticien PyTorch avec expérience de recherche	Non nécessaire	Selon dossier	✓ Dossier à soumettre
Ingénieur logiciel sans ML mais solide en systèmes	Selon niveau maths	Après prépa	✓ Dossier à soumettre

Standards communs aux trois parcours

Confidentialité des données

Les données personnelles sont traitées selon la LPD suisse et le RGPD. Les soumissions ne sont jamais partagées sans consentement explicite.

Mises à jour du contenu

Les exercices et exemples de code sont révisés à chaque session pour refléter les évolutions des outils. Les enregistrements des sessions précédentes restent accessibles.