Retours de participants
J'avais fait des maths au gymnase mais je n'avais pas ouvert un livre de calcul depuis dix ans. La cellule Fondements m'a forcé à comprendre ce que je faisais réellement quand j'appelais np.dot(). Le retour sur la troisième soumission était particulièrement détaillé — l'encadrant avait repéré une erreur de signe que j'aurais mise des heures à trouver seul.
Le parcours Modélisation est dense. Dix heures par semaine, c'est une estimation honnête — il m'est arrivé d'en passer douze les semaines avec des soumissions. Ce que j'ai apprécié : l'encadrant lisait mon code avant de répondre, pas seulement mes conclusions. La défense orale était stressante mais utile — expliquer mes choix à voix haute m'a révélé deux erreurs de raisonnement que je n'avais pas vues.
L'intensif MLOps était ce que je cherchais depuis longtemps. J'avais des modèles qui fonctionnaient en local mais je ne savais pas comment les opérer correctement. Les deux incidents simulés sur cluster m'ont appris plus sur la surveillance de dérive qu'une année de lecture de documentation. Le post-mortem que j'ai écrit pour le premier incident a été revu ligne par ligne — c'est ce genre de retour qui change la façon de penser.
J'avais quelques bases en Python mais zéro en maths appliquées. Honnêtement, les deux premières semaines du parcours Fondements m'ont demandé beaucoup d'efforts. À la semaine quatre, quelque chose s'est débloqué — j'ai compris pourquoi la descente de gradient converge et pas seulement comment l'écrire. L'encadrant a été direct quand mon code n'était pas clair, ce qui est exactement ce dont j'avais besoin.
J'ai apprécié que le parcours Modélisation ne suppose pas que tout le monde suit le même jeu de données. Mon projet portait sur des données climatiques régionales — assez inhabituel. L'encadrant connaissait suffisamment bien les enjeux de saisonnalité pour commenter mes choix de découpage. Ce n'est pas quelque chose qu'un forum aurait pu faire.
L'accès au cluster partagé de l'intensif MLOps est un vrai plus. J'avais un laptop correct mais pas de GPU, et certaines expériences d'entraînement auraient été impossibles localement. La configuration du cluster est documentée clairement — ça m'a pris une heure à mettre en place au début, pas plus. Une petite friction initiale mais rien de bloquant.
Exemples de trajectoires
Cinq ans de développement web, aucune formation en mathématiques depuis le lycée. Voulait comprendre comment fonctionnent les modèles utilisés dans les APIs qu'il consommait.
Fondements Numériques en huit semaines, puis exercice d'entrée validé pour la Modélisation. Projet personnel sur des données de fréquentation de transports publics romands.
À l'issue des deux parcours, il a pu lire et expliquer l'architecture d'un réseau de neurones résiduel. Le projet a été défendu oralement — l'encadrant a noté la clarté de la documentation.
« Je n'aurais pas pu faire la Modélisation sans les Fondements. Le parcours initial était long mais indispensable. »
Solides bases en Python et algorithmes, avait suivi des tutoriels ML en ligne mais ne savait pas structurer un projet de modélisation de bout en bout.
Exercice d'entrée validé directement pour la Modélisation. Puis l'Intensif MLOps. Opère aujourd'hui un service de scoring sur le cluster pendant les 22 semaines.
Deux incidents simulés résolus, post-mortems revus par l'encadrant. Après le parcours, elle déploie ses modèles avec des pipelines reproductibles et une surveillance de dérive opérationnelle.
« L'incident du week-end 14 m'a pris trois heures à diagnostiquer. Le post-mortem a été le retour le plus utile de tout le parcours. »
Points de repère
Poser une question avant de s'inscrire
Réponses sous 2 jours ouvrés
- Est-ce que mon niveau suffit pour le parcours X ?
- Quand commence le prochain groupe ?
- Quel logiciel dois-je préparer avant le démarrage ?
- Comment se déroule l'exercice d'entrée pour la Modélisation ?
Prêt à rejoindre le prochain groupe ?
Décrivez votre niveau et le parcours qui vous intéresse. Un encadrant vous répond dans les deux jours ouvrés.