Étape 1 : Python pour la data (2 mois)
- Python : syntaxe, fonctions, classes
- pandas et numpy pour la manipulation de données
- Matplotlib et Seaborn pour la visualisation
- Jupyter Notebooks
Étape 2 : Mathématiques et statistiques (2-3 mois)
- Statistiques descriptives et inferentielles
- Probabilites et distributions
- Algebre linéaire (vecteurs, matrices)
- Calcul differentiel (gradient)
- Tests statistiques (t-test, chi-2)
Étape 3 : Machine Learning (3-4 mois)
- Régression linéaire et logistique
- Arbres de décision et Random Forest
- SVM, KNN, Naive Bayes
- Clustering (K-Means, DBSCAN)
- Réduction de dimensionnalite (PCA)
- Validation croisee, overfitting, régularisation
- Feature engineering
Étape 4 : Deep Learning (2 mois)
- Réseaux de neurones (perceptron, backpropagation)
- CNN pour la vision (images)
- RNN/LSTM pour les séquences
- Transformers et NLP moderne
- TensorFlow ou PyTorch
Étape 5 : MLOps et production (1-2 mois)
- Docker pour le packaging
- APIs de prédiction (FastAPI)
- MLflow pour le tracking
- Déploiement cloud (AWS SageMaker ou GCP Vertex AI)
Étape 6 : Spécialisation
Choisissez un domaine : NLP, Computer Vision, Recommandation, Time Séries, IA generative.
Timeline
12-18 mois. Un background en maths/ingénierie réduit significativement la durée.