Apprendre le DevOps,
les données et l’IA
- 685
- leçons
- 7
- documents
- 37
- tutoriels libres
- 147
- leçons gratuites
D’un commit à une infrastructure qui se rejoue
Le cours suit cette chaîne dans cet ordre, un module à la fois. Chaque étape s’appuie sur la précédente et se pratique sur un projet réel.
- 01Git
Versionner, brancher, fusionner sans se perdre
- 02Jenkins
Construire et tester à chaque commit
- 03Docker
Empaqueter l’application avec ce qu’il lui faut
- 04Kubernetes
Déployer, mettre à l’échelle, encaisser une panne
- 05Terraform
Décrire l’infrastructure pour la rejouer
Des cours complets, module par module
Chaque cours suit un plan de cours réel : des modules ordonnés, des leçons autonomes, des exercices corrigés. Les premiers modules sont ouverts à tous.
Développement et déploiement de solutions de données
D'un poste de travail vide jusqu'à une application déployée automatiquement, surveillée et reproductible : Git, Jenkins, Docker, Kubernetes, Helm, Ansible, Terraform et l'observabilité.
Apprentissage supervisé : de zéro à un projet professionnel
Un parcours complet et progressif : du vocabulaire de base à la mise en production d'un modèle. Type de problème, préparation des données, algorithmes de classification et de régression, métriques et coûts métier, pipelines anti-fuite, interprétabilité, déploiement et surveillance — avec dix travaux pratiques et un projet final.
L'apprentissage supervisé expliqué aux enfants : 100 concepts d'IA en mots simples
Cent questions, cent réponses d'une page, sans une seule formule : c'est quoi l'IA, comment un ordinateur apprend avec un corrigé, les algorithmes, les réseaux de neurones, les grands modèles de langage, les données et leurs biais, l'IA dans la vraie vie et les métiers de demain. Pour les enfants — et les adultes curieux qui débutent.
Apprentissage profond : de l'intuition au déploiement
Des réseaux de neurones aux Transformers : tenseurs, MLP, propagation avant, gradient et rétropropagation, optimisation, initialisation, régularisation, puis CNN, RNN/LSTM/GRU, attention, embeddings et modèles génératifs — jusqu'au déploiement MLOps et à l'éthique. Cinq TP PyTorch, un projet final défendable, neuf approfondissements modernes.
L'apprentissage profond expliqué aux enfants : neurones, images, texte et bien plus
Sans une seule formule : comment un réseau de neurones est construit, comment il apprend en corrigeant ses erreurs, comment il regarde les images, écoute les sons, lit le langage et fabrique des dessins. Chaque leçon tient sur une page, avec un schéma simple et une activité sans écran. Pour les enfants et les adultes curieux qui débutent.
L'IA agentique expliquée aux enfants : des agents qui réfléchissent, agissent et vérifient
Un chatbot répond, un agent agit ! Découvre comment une IA reçoit un objectif, réfléchit étape par étape, utilise des outils, se souvient, vérifie son travail et demande la permission quand c'est risqué. Chaque leçon tient sur une page, avec un schéma simple et une activité sans écran. Pour les 10–15 ans et les adultes curieux.
La famille Claude : Code, Cowork et Design — le manuel pratique
Le manuel pratique de la famille Claude pour développeurs : commander Claude Code depuis ton terminal, cadrer les permissions, fabriquer des Skills, déléguer aux sous-agents, automatiser via les hooks et brancher des serveurs MCP, puis collaborer dans Cowork et prototyper dans Design.
Elasticsearch, OpenSearch, Kibana et Neo4j : le labo Docker clé en main
Un labo Docker qui démarre en une commande, testé de bout en bout, pour apprendre la recherche full-text avec Elasticsearch et OpenSearch, les tableaux de bord Kibana et les graphes Neo4j en Cypher — sur un même jeu de données, avec chaque requête vérifiée et une leçon entière de dépannage.
Kubernetes avec Docker Desktop : de l'installation au déploiement complet
Kubernetes sur ta propre machine, sans cloud ni minikube : tu actives le cluster intégré à Docker Desktop, puis tu apprends Pods, Deployments, Services, Ingress, ConfigMaps, Secrets, volumes, Jobs, autoscaling, Helm et RBAC en construisant une vraie application. Une pratique guidée complète par module, chaque commande suivie de sa sortie réelle, et un kit GitHub de tous les manifestes testés.
Terraform par la pratique : de la première ressource locale au multi-cloud
Terraform appris en le faisant : neuf projets guidés pas à pas, du premier fichier créé en local jusqu’à un projet qui pilote GitHub, AWS, Azure et Google Cloud. Bucket S3, site statique, Security Group, utilisateur IAM, dépôt GitHub as code, variables, state, modules et workflow d’équipe. Théorie courte appuyée sur la documentation HashiCorp, quiz corrigé par module, destroy propre par projet.
Monitoring et observabilité : Prometheus, Grafana, logs, métriques et alertes
Superviser une application qui tourne, sur ta machine, avec Prometheus, Alertmanager, Grafana, Loki et Alloy en Docker Compose, autour d'une API instrumentée de bout en bout. Métriques, PromQL, tableaux de bord, logs corrélés, alertes qui arrivent vraiment, puis un projet final. Chaque commande suivie de sa sortie réelle, une pratique guidée par module, un kit GitHub testé.
Des tutoriels que l’on peut lire en entier
Un sujet, une procédure complète, du code que l’on peut copier. Sans compte et sans paiement.
Hyperparamètres : ce que vous réglez, ce qu’il apprend
Un hyperparamètre se choisit avant l’entraînement, un paramètre s’apprend pendant. La distinction se lit dans le code, et elle décide de ce que vous avez le droit de régler.
8 min de lectureMLflow pas à pas : instrumenter un script d’entraînement
Un script ElasticNet qui n’affiche ses résultats que dans le terminal, puis les six lignes qui le rendent comparable, reproductible et prêt pour le registre de modèles.
10 min de lectureMLOps et MLflow : la démarche n’est pas l’outil
MLflow est un outil, le MLOps un ensemble de pratiques. Ce que MLflow couvre du cycle de vie, ce qu’il laisse à d’autres, et pourquoi le MLOps n’est pas du DevOps.
7 min de lecture7 documents à télécharger
Travaux pratiques corrigés, aide-mémoires, plans de cours, jeux de données. À l’unité, ou en illimité avec l’abonnement.
Un parcours pensé par un enseignant, pas assemblé par un algorithme
Chaque leçon a été enseignée en classe avant d’être publiée. Ce que vous lisez est la trace d’un cours réel, corrigée à mesure que la technologie change.
Structuré comme un vrai cours
Des modules ordonnés, des prérequis explicites, des exercices avec leur corrigé. On ne saute pas de la théorie à la production sans les trois étapes entre les deux.
Du texte, du code, des schémas
Les commandes se copient, les schémas s’ouvrent en grand, les diagrammes Mermaid se relisent, et une recherche vous ramène à l’endroit exact. Un vrai support technique, pas un slideshow.
Corrigé à chaque mise à jour
Kubernetes déprécie une API, Terraform change de syntaxe : la leçon se corrige en une minute. C’est ce qui distingue un cours vivant d’un cours vieilli avant d’être publié.