🧠

Backend Developer → ML Engineer

Le chemin complet pour passer de développeur backend à Machine Learning Engineer — en repartant de tes acquis (réseau, API, données) et en construisant jusqu'aux LLMs et au MLOps.

Navigation libre — pioche la section qui t'intéresse.

0 % terminé

00Orientation Le métier, la carte du voyage, et comment utiliser ce cours.24 min

Le métier de ML Engineer10 min La roadmap du cours8 min La méthode : quiz, cartes et code6 min

01Fondations CS revisitées Ton réseau, ton Linux, ton Docker — vus sous l'angle du ML.50 min

Le réseau, vu par le ML14 min Linux, processus et GPU13 min Docker pour le ML11 min Concurrence Python : GIL, asyncio, multiprocessing12 min

02Les maths sans douleur Trois piliers seulement — vecteurs, gradients, probabilités — expliqués à un dev.43 min

Algèbre linéaire : des tableaux qui se multiplient15 min Dérivées et gradients : comment un modèle apprend14 min Probas & stats : raisonner sur l'incertain14 min

03Python data numpy, pandas et l'outillage — tes instruments de tous les jours.48 min

numpy : penser vectorisé13 min pandas : le SQL en mémoire14 min Environnements : uv, lockfiles et CUDA10 min Notebooks vs scripts, et l'art de profiler11 min

04Data engineering pour le ML Un modèle vaut ce que valent ses données — SQL, formats, pipelines.37 min

SQL avancé pour les features13 min Formats & stockage : parquet, arrow, object storage12 min Pipelines & orchestration12 min

05ML classique Régressions, arbres, boosting — 80 % des problèmes réels se règlent ici.67 min

Le vocabulaire et le workflow12 min Régressions linéaire et logistique14 min Arbres, forêts et gradient boosting14 min Non-supervisé : clusters, dimensions, anomalies12 min Évaluation : métriques, cross-validation, déséquilibre15 min

06Deep learning Du neurone à l'attention — comprendre ce qui se passe sous PyTorch.54 min

Du neurone au réseau12 min Backpropagation et training loop16 min PyTorch en pratique13 min CNN, RNN → attention13 min

07NLP & LLMs Tokens, transformers, fine-tuning vs RAG — le module le plus demandé du marché.55 min

Tokenization & embeddings13 min Le transformer décortiqué15 min Fine-tuning vs RAG (et le prompting)14 min Évaluer les LLMs13 min

08MLOps Ton terrain de jeu — tracking, serving, monitoring et CI/CD appliqués aux modèles.52 min

Tracking d'expériences & model registry12 min Serving : exposer un modèle en production14 min Monitoring & drift13 min CI/CD de modèles, données versionnées, coûts GPU13 min

09ML System Design Concevoir des systèmes complets — les études de cas des entretiens et de la vraie vie.41 min

La méthode de design (et le feature store)13 min Étude de cas : système de recommandation14 min Études de cas : fraude temps réel & recherche sémantique14 min

10Projet fil rouge & carrière Construire LA preuve end-to-end, et transformer le cours en poste.27 min

Le projet fil rouge : data → modèle → API → monitoring15 min Portfolio & entretiens MLE12 min