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.
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.
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.
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 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.
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.