Programme MIT Applied AI & Data Science – terminé 🥳
Six mois, plus de 12 heures par semaine, des mathématiques et statistiques à l'IA générative : Retour sur le programme du MIT qui m'a donné une compréhension structurée de bout en bout de l'IA.
Enfin terminé ! 🥳
Je me souviens encore de ma première conversation plus approfondie sur l'IA et les LLM. J'étais curieux des fondements académiques et de la science qui se cache derrière. Un ami à moi, expert en IA, Bilel SAID, m'a dit à l'époque : « Commence par les articles d'Andrew Ng. »
Cette conversation a déclenché quelque chose. Je ne voulais pas seulement utiliser l'IA – je voulais la comprendre en profondeur, des mathématiques à l'IA générative.
La recherche du bon programme
Au début, j'ai envisagé de démarrer un Master complet. Je cherchais quelque chose :
- Structuré
- Exigeant
- Complet
- Avec une réelle profondeur
La plupart des certifications que j'ai trouvées étaient soit trop courtes, trop chères ou trop spécialisées (uniquement ML, uniquement Prompt Engineering, uniquement Agentic AI, etc.). Rien ne couvrait le tableau complet.
Jusqu'à ce que je tombe sur le MIT Applied Data Science Program :
- 6+ mois
- Au moins 12 heures par semaine
- Solides fondements académiques
- Accent pratique
- Investissement raisonnable
Ce que nous avons appris
📌 Mathématiques
- Statistiques
- Théorie des probabilités
📌 Science des données
- Python (NumPy & Pandas)
- Visualisation de données
- Analyse de données
- Inférence statistique
- Clustering
- PCA
📌 Apprentissage automatique
- Apprentissage supervisé
- Apprentissage non supervisé
📌 Science des données pratique
- Arbres de décision
- Forêts aléatoires (Bagging & Bootstrapping)
- Séries temporelles
📌 Systèmes de recommandation
📌 Apprentissage profond
- ANN
- CNN (Vision AI)
📌 IA générative
- Architecture Transformer
- RAG
- RLHF
- Ingénierie des prompts
- IA agencielle
Pratique plutôt que juste la théorie
Chaque sujet était pratique. Nous avons principalement travaillé avec Google Colab, construit et testé des modèles directement — pas de configuration locale lourde, collaboration facile.
Et nous avons dû réaliser deux projets pratiques majeurs :
🔹 Midterm – Deep Learning (CNNs)
Construit et comparé plusieurs modèles pour la reconnaissance de chiffres dans des images.
🔹 Final Project – Generative AI & Prompt Engineering (Zero-shot, Few-shot et Chain-of-Thought Prompting)
Avec l'API OpenAI :
- répondre aux avis clients
- effectuer la détection de sentiment
- générer des informations pour le commerce de détail
Ce que j'en retiens
Aujourd'hui, je suis fier d'avoir terminé le programme. Mais ce qui est plus important :
J'ai maintenant une compréhension structurée et de bout en bout de l'IA, des fondements mathématiques aux applications réelles de l'IA générative.
Si tu envisages un parcours similaire ou si tu as des questions sur le programme, n'hésite pas à me contacter. Tu trouveras le lien vers le programme ici.
Place au prochain défi 🚀