Bootcamp — Calendrier hebdomadaire

Calendrier semaine par semaine du Bootcamp Machine Learning et IA d'AIRINA Labs.

Calendrier opérationnel pour une cohorte à temps plein (dix semaines). Les cohortes à temps partiel suivent le même contenu sur vingt semaines à la moitié de la charge hebdomadaire. Les dates propres à chaque cohorte sont fixées à l’inscription ; la structure ci-dessous reste stable d’une cohorte à l’autre.

Pour la motivation du programme, les prérequis et la vue d’ensemble des dix modules du cursus, voir le syllabus. Pour le projet final, voir la fiche du projet capstone.

Semaine Module Titre Livrable Détail
01 M1 Python pour le travail de la donnée
Prenez le Python que vous maîtrisez à moitié et rendez-le assez précis pour être livré. 		Dépôt GitHub public contenant le refactor nettoyé du Lab 1 : README.md, <code c... semaine 01 →
02 M2 Introduction à l'apprentissage automatique
Ce qu'est réellement le ML, ce qu'il n'est pas, et le workflow sous-jacent à tout projet. 		Notebook + note de 600 mots : un pipeline train/validation/test propre sur un jeu de données hospitalières réel, avec analyse de calibrat... semaine 02 →
03 M3 ML classique --- régression, classification, partitionnement
La boîte à outils pré-deep-learning. Encore la bonne réponse pour la plupart des problèmes tabulaires. 		Pipeline de scoring de crédit sur un jeu de données d’une banque africaine, avec notebook d’EDA, comparaison de modèles (logistique + XGB... semaine 03 →
04 M4 Systèmes de recommandation
Comment fonctionnent réellement les systèmes à la Netflix, et le problème d'évaluation honnête qu'ils créent. 		Recommandeur hybride sur un jeu de données e-commerce réel, évalué sur trois métriques hors-ligne avec discussion explicite des raisons d... semaine 04 →
05 M5 Traitement automatique du langage
Des méthodes classiques conscientes de la linguistique au pipeline de l'ère transformer. 		Pack de trois livrables : un classifieur de sentiment (baseline logistique + DistilBERT), un tagger NER sur un jeu de données multilingue... semaine 05 →
06 M6 ML moderne --- ANN, CNN, RNN
Le deep learning de bout en bout, avec juste assez de théorie pour savoir quand *ne pas* l'utiliser. 		Trois petits livrables : un MLP à 2 couches écrit à la main en NumPy puis porté sur PyTorch, un CNN entraîné sur un jeu de données d’imag... semaine 06 →
07 M7 LLMs et IA générative
Ce qu'il y a sous le capot de GPT/Claude/LLaMA, ce que vous pouvez réellement en faire, et où ils échouent. 		Choisir une des trois pistes : un système RAG sur un corpus de domaine, un fine-tune LoRA d’un modèle de 1 à 7 milliards de paramètres su... semaine 07 →
08 M8 MLOps et déploiement
Ce qu'il faut pour que le modèle continue de fonctionner une fois le notebook fermé. 		Un modèle déployé : modèle entraîné enveloppé dans un service FastAPI, conteneurisé, déployé sur un cloud en free-tier, avec tracking MLf... semaine 08 →
09 M9 + M10 Semaine de capstone + sessions portfolio
Semaine de construction concentrée sur le capstone, avec points quotidiens et trois sessions de fabrication du portfolio. 		Code freeze du capstone d’ici vendredi. Démo déployée fonctionnelle, README complet, note technique à moitié rédigée. Plus un squelette d... semaine 09 →
10 M9 + M10 Clôture du capstone, présentations finales, lancement du portfolio
Montrez ce que vous avez construit, publiez ce que vous avez construit, et repartez avec un portfolio qui dit *je sais vraiment faire ça*. 		Présentation finale du capstone (10 min de talk + 5 min de Q&R), dépôt public au tag <code class="language-plaintext highlighter-roug... semaine 10 →

Fonctionnement des pages hebdomadaires

Chaque page de semaine est générée à partir d’une source unique — _data/bootcamp_fr.yml pour la version française, _data/bootcamp.yml pour la version anglaise — pour que les données vivent à un seul endroit. Chaque page affiche :

  1. Ce que vous livrez cette semaine — le livrable, la date limite, le canal de soumission, la grille d’évaluation.
  2. Sessions en direct et travaux pratiques — la cadence hebdomadaire par défaut (sessions live et blocs TP du lundi au jeudi, vendredi intervenant invité / revue de TP / rétrospective), avec les dates propres à chaque cohorte et les liens Zoom intégrés.
  3. Objectifs d’apprentissage et sujets abordés.
  4. Travaux pratiques — trois à quatre projets pratiques par semaine, avec le lien du jeu de données et le cahier des charges.
  5. Lectures — séparées en obligatoires (avec le jour « avant X » précisé) et en approfondissement optionnel.
  6. Renvois au catalogue — vers les notes de cours existants lorsqu’un cours correspond.

Notes opérationnelles

  • Les sessions se tiennent par défaut à l’heure Afrique/Lagos (UTC+1). Les cohortes à temps partiel négocient les horaires à l’inscription.
  • Les notebooks de TP vivent dans un dépôt GitHub public qui suit ce calendrier. Chaque TP hebdomadaire correspond à une release taguée.
  • Les jalons du projet capstone s’entrelacent avec les modules réguliers : proposition en semaine 4, revue de mi-parcours en semaine 7, gel du code en semaine 9, présentations finales en semaine 10.
  • Les enregistrements des cohortes passées sont liés sur chaque page hebdomadaire une fois la session terminée et sont conservés au moins douze mois.