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 approfondie sur l'IA et les LLM. J'étais curieux des fondements académiques et de la science qui se cachent derrière. Un ami à moi, expert en IA, Bilel SAID, m'avait 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 commencer un Master complet. Je cherchais quelque chose :
- Structuré
- Exigeant
- Complet
- Avec une vraie profondeur
La plupart des certifications que j'ai trouvées étaient soit trop courtes, trop chères ou trop spécialisées (seulement ML, seulement Prompt Engineering, seulement Agentic AI, etc.). Rien ne couvrait l'ensemble du tableau.
Jusqu'à ce que je tombe sur le MIT Applied Data Science Program :
- 6+ mois
- Au moins 12 heures par semaine
- Solides fondements académiques
- Focalisation pratique
- Investissement raisonnable
Ce que nous avons appris
📌 Mathématiques
- Statistiques
- Théorie des probabilités
📌 Science des Données
- Python (NumPy & Pandas)
- Visualisation des données
- Analyse des données
- Inférence statistique
- Clustering
- PCA
📌 Machine Learning
- Supervised Learning
- Unsupervised Learning
📌 Science des Données Pratique
- Arbres de décision
- Random Forests (Bagging & Bootstrapping)
- Séries temporelles
📌 Systèmes de Recommandation
📌 Deep Learning
- ANN
- CNN (Vision AI)
📌 IA Générative
- Architecture Transformer
- RAG
- RLHF
- Prompt Engineering
- Agentic AI
Pratique plutôt que 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 :
🔹 Partiel – Deep Learning (CNNs)
Construit et comparé plusieurs modèles pour la reconnaissance de chiffres dans des images.
🔹 Projet Final – IA Générative & 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 insights pour le retail
Ce que j'en retiens
Aujourd'hui, je suis fier d'avoir terminé le programme. Mais plus important encore :
J'ai maintenant une compréhension structurée de bout en bout de l'IA, des fondements mathématiques aux applications concrètes de la GenAI.
Si tu envisages un chemin similaire ou si tu as des questions sur le programme, n'hésite pas à me contacter. Tu trouveras le lien vers le programme ici.
On to the next challenge 🚀