Ma feuille de route pour maîtriser l'IA
Le chemin que je vais suivre, de NumPy aux réseaux de neurones, avec un article et un projet par étape.
Je suis développeur backend et infrastructure. Je sais faire tourner des systèmes en production ; je veux maintenant comprendre, et savoir construire, les modèles qui tournent dedans. Cet article est ma feuille de route : je vais la suivre étape par étape, et chaque étape aura son article dédié dans ce journal, avec le code et le projet qui la valide.
L’ordre compte. Chaque outil repose sur le précédent, et sauter une marche se paie plus tard, par des modèles qu’on fait tourner sans comprendre pourquoi ils échouent.
Le principe : un projet par étape
Lire un cours donne l’impression de comprendre. Écrire le code sur un vrai jeu de données révèle ce qu’on n’a pas compris. Chaque étape se termine donc par un projet de validation, et je ne passe à la suivante que lorsque je le fais sans recopier.
Étape 0 : les fondations
Avant les bibliothèques, trois bases :
- Python solide : fonctions, compréhensions de listes, classes, environnements virtuels, notebooks Jupyter.
- Algèbre linéaire : vecteurs, matrices, produit matriciel. Un modèle, c’est d’abord des multiplications de matrices.
- Probabilités et statistiques : moyenne, variance, distributions, corrélation, et l’idée qu’un échantillon n’est pas la population.
- Dérivées et gradient : comprendre ce que « minimiser une erreur » veut dire.
Mon premier pas dans cette direction : l’article sur la régression linéaire, le modèle le plus simple, où toutes ces notions se rencontrent.
Étape 1 : NumPy, penser en tableaux
Tout l’écosystème repose dessus. Objectif : remplacer les boucles par des opérations vectorisées, maîtriser formes, axes et broadcasting.
Validation : normaliser des données, calculer des distances et réimplémenter une descente de gradient, sans une seule boucle.
Étape 2 : pandas, préparer les données
La vraie majorité du travail. Objectif : lire, nettoyer, transformer, agréger et visualiser un jeu de données réel.
→ pandas : des données brutes au tableau propre
Validation : un notebook d’exploration complet du jeu Titanic, avec des choix de nettoyage justifiés.
Étape 3 : scikit-learn, le machine learning classique
Objectif : entraîner, évaluer et comparer des modèles sans se mentir : jeu de test intouchable, pipelines, validation croisée, métriques adaptées.
→ scikit-learn : le cycle complet d’un modèle
Validation : un pipeline complet sur Titanic, trois algorithmes comparés, une soumission Kaggle.
Étape 4 : Keras, les réseaux de neurones
Objectif : comprendre ce qu’est un réseau, lire des courbes d’apprentissage, passer aux convolutions pour les images, puis réutiliser des modèles pré-entraînés.
→ Keras : mon premier réseau de neurones
Validation : un classifieur entraîné sur mes propres photos, servi derrière une API dans un conteneur.
Après : les étapes suivantes
Une fois ces quatre étapes validées, la suite se précisera, mais la direction est claire :
- PyTorch : l’outil de la recherche et de la majorité des modèles récents. Keras 3 peut d’ailleurs tourner dessus, la transition est douce.
- Traitement du langage : embeddings, transformers, et l’écosystème Hugging Face.
- LLM appliqués : utiliser des modèles de langage via API, le RAG (répondre à partir de ses propres documents), l’évaluation des réponses. L’assistant de ce portfolio en est une première application.
- MLOps : versionner données et modèles, servir un modèle, surveiller sa dérive en production. C’est là que mon profil infra devient un atout : Docker, Kubernetes et CI/CD s’appliquent directement.
Mon rythme
- Environ quatre à six semaines par étape, à raison de quelques heures par semaine, sans me presser : comprendre prime sur avancer.
- Un article publié à la fin de chaque étape, avec ce qui a été difficile, pas seulement ce qui a marché.
- Le code des projets sur mon GitHub.
Si vous suivez le même chemin, les articles de chaque étape sont liés ci-dessus : ils se lisent dans l’ordre.