Aller au contenu
ZeroToAI
Commencer

Cursus

Un arbre de compétences, pas une échelle

Un tronc commun massif, puis des routes qui divergent, se croisent et convergent plus haut. La hauteur d'une branche, c'est son niveau de prérequis : aucun lien ne redescend.

Paliers
14
Branches
228
Sous-branches
680
Convergences
42
Projets obligatoires
15
Projets comètes
4

  1. 01

    Tronc commun : paliers 0 à 5

    Obligatoire pour tout le monde : code, maths, théorie de l'apprentissage, ML classique, réseaux de neurones, architectures.

  2. 02

    Un graphe, pas une liste

    Dès N6, les routes divergent. Certaines restent indépendantes, d'autres se rejoignent : CNN → Vision → VLM → VLA.

  3. 03

    La hauteur, c'est le prérequis

    Une branche ne dépend jamais d'une branche placée plus haut. Pour monter, il faut avoir débloqué tout ce qui est dessous.

  4. 04

    Des jalons obligatoires

    Tous les trois paliers, des projets très poussés : 1, puis 2, puis 4, puis 8. Trous noirs, nébuleuses, pulsars : impossible de monter plus haut sans les avoir validés.

Défile pour grimper · Glisse pour tourner · Pince ou Ctrl + molette pour zoomer · Clic droit pour te déplacer

N0

Informatique et Python

280 XP◆ 0/15

Le cursus complet, palier par palier

La même carte, en liste. Chaque branche peut s'ouvrir dans l'arbre.

N0Informatique et PythonTronc commun · 15 branches · 58 sous-branches
  • 70 XP

    Informatique

    • Syntaxe
    • Fonctions
    • Structures de données
    • Compréhensions
  • 70 XP

    Informatique

    • Commits
    • Branches
    • Merge / Rebase
    • Pull requests
  • 70 XP

    Informatique

    • Bash
    • Processus
    • SSH
    • Permissions
  • 70 XP

    Informatique

    • SELECT / JOIN
    • Agrégations
    • Fonctions de fenêtre
    • Index
  • 70 XP

    Informatique

    • Classes
    • Héritage
    • Dataclasses
    • Protocoles

    Prérequis : Python : bases

  • 70 XP

    Informatique

    • Itérateurs
    • Générateurs
    • yield
    • itertools

    Prérequis : Python : bases

  • 60 XP

    Informatique

    • Type hints
    • Génériques
    • mypy / pyright

    Prérequis : Python : bases

  • 70 XP

    Informatique

    • ndarray
    • Broadcasting
    • Vectorisation
    • Indexation

    Prérequis : Python : bases

  • 70 XP

    Informatique

    • pytest
    • Fixtures
    • Mocks
    • Intégration continue

    Prérequis : Python : bases, Git

  • 70 XP

    Informatique

    • DataFrame
    • GroupBy
    • Jointures
    • Lazy API

    Prérequis : NumPy, SQL

  • 70 XP

    Informatique

    • optimize
    • stats
    • sparse
    • signal

    Prérequis : NumPy

  • 60 XP

    Informatique

    • Matplotlib
    • Seaborn
    • Plotly

    Prérequis : NumPy

  • 70 XP

    Informatique

    • cProfile
    • line_profiler
    • Mémoire
    • Benchmarks

    Prérequis : Tests

  • 70 XP

    Informatique

    • Threads
    • Multiprocessing
    • asyncio
    • Dask / Ray

    Prérequis : Itérateurs & générateurs, Linux / Shell

  • 70 XP

    Informatique

    • CUDA
    • Kernels
    • Mémoire GPU
    • Triton (avancé)

    Prérequis : Parallélisme, NumPy

N1Mathématiques de l'IATronc commun · 12 branches · 41 sous-branches
  • 70 XP

    Mathématiques

    • Vecteurs / matrices / tenseurs
    • Espaces vectoriels
    • Normes / distances

    Prérequis : NumPy

  • 70 XP

    Mathématiques

    • Dérivées
    • Dérivées partielles
    • Règle de la chaîne

    Prérequis : NumPy

  • 80 XP

    Mathématiques

    • Variables aléatoires
    • Distributions
    • Espérance / variance
    • Probabilités conditionnelles

    Prérequis : NumPy

  • 70 XP

    Mathématiques

    • Valeurs / vecteurs propres
    • Diagonalisation
    • Matrices symétriques

    Prérequis : Algèbre linéaire

  • 70 XP

    Mathématiques

    • Gradient
    • Jacobienne
    • Hessienne

    Prérequis : Analyse, Algèbre linéaire

  • 70 XP

    Mathématiques

    • Théorème de Bayes
    • Prior / posterior
    • Vraisemblance

    Prérequis : Probabilités

  • 80 XP

    Mathématiques

    • Entropie
    • Cross-entropy
    • KL divergence
    • Mutual information

    Prérequis : Probabilités

  • 80 XP

    Mathématiques

    • Estimation
    • Tests d'hypothèse
    • Bootstrap
    • Inférence

    Prérequis : Probabilités, Pandas / Polars

  • 80 XP

    Mathématiques

    • SVD
    • QR
    • Cholesky
    • Décompositions matricielles

    Prérequis : Eigenvalues

  • 70 XP

    Mathématiques

    • Convexe / non convexe
    • Contraintes
    • Lagrangien

    Prérequis : Gradient, Jacobienne, Hessienne

  • 70 XP

    Mathématiques

    • MLE
    • MAP
    • Log-vraisemblance

    Prérequis : Statistiques, Bayes

  • 80 XP

    Mathématiques

    • Gradient descent
    • SGD
    • Optimisation stochastique
    • Learning rate

    Prérequis : Optimisation

N2Fondements de l'apprentissageTronc commun · 12 branches · 36 sous-branches
  • 80 XP

    Apprentissage

    • Régression vs classification
    • Fonction de perte
    • Risque empirique

    Prérequis : MLE / MAP, Descente de gradient

  • 80 XP

    Apprentissage

    • Structure latente
    • Estimation de densité
    • Regroupement

    Prérequis : Statistiques

  • 80 XP

    Apprentissage

    • Bias / Variance
    • Overfitting / Underfitting
    • Capacité

    Prérequis : Supervised learning

  • 80 XP

    Apprentissage

    • Train / Validation / Test
    • Cross-validation
    • Data leakage

    Prérequis : Supervised learning, Statistiques

  • 80 XP

    Apprentissage

    • Semi-supervised
    • Weakly-supervised
    • Pseudo-labels

    Prérequis : Supervised learning, Unsupervised learning

  • 65 XP

    Apprentissage

    • Tâches prétextes
    • Représentations apprises

    Prérequis : Unsupervised learning

  • 65 XP

    Apprentissage

    • Online learning
    • Active learning

    Prérequis : Supervised learning

  • 90 XP

    Apprentissage

    • Transfer learning
    • Multi-task learning
    • Meta-learning
    • Continual learning

    Prérequis : Supervised learning

  • 80 XP

    Apprentissage

    • L1 / L2
    • Pénalités
    • Early stopping

    Prérequis : Bias / Variance

  • 90 XP

    Apprentissage

    • Accuracy / F1
    • ROC-AUC
    • RMSE / MAE
    • Métriques de ranking

    Prérequis : Validation

  • 80 XP

    Apprentissage

    • Covariate shift
    • Label shift
    • Drift

    Prérequis : Validation

  • 80 XP

    Apprentissage

    • Calibration
    • Incertitude
    • Intervalles de confiance

    Prérequis : Métriques, Bayes

Jalon 1 · entre N2 et N31 projet obligatoire · obligatoire pour monter plus haut
  • 720 XP

    Trou noir · 6 semaines

    Tu codes ta propre lib de stats en NumPy pur, sans SciPy ni lib de ML. Puis tu la lâches sur un vrai dataset sale, piégé rien que pour toi : fuites à traquer, dérive à corriger.

    Livrables

    • Lib typée, API imposée : GLM (SGD, Newton), MLE/MAP, bootstrap BCa, tests d'hypothèse, calibration
    • CI à chaque push sur ton dépôt : pytest, couverture, mypy --strict, contrôle d'imports, benchmarks
    • Étude en une commande : nettoyage, CV temporelle, modèle final issu de ta seule lib, predict.py
    • leaks.json au schéma imposé ; validation adversariale contre X_test sans labels, dérive corrigée
    • Rapport (10 pages max) : diagrammes de fiabilité, IC bootstrap, test apparié vs baseline, profilage

    Critères de validation

    1. 01Lib 100 % NumPy : ≥ 95 % des tests cachés réussis (vs SciPy, statsmodels, sklearn), couverture ≥ 90 %, 0 erreur mypy --strict
    2. 02Labels de test cachés : ECE (15 bins) ≤ 0,03, log-loss ≤ 1,05 × la logistique de référence ; ≥ 4 fuites sur 5, ≤ 1 faux positif
    3. 03Clone vierge, runner 4 vCPU : make reproduce ≤ 30 min, 2 exécutions identiques ; logistique 1 M × 50 convergée en ≤ 15 s, ≤ 2 Go

    Branches mobilisées : NumPy, Typage, Profiling, Descente de gradient, MLE / MAP, Statistiques, Validation, Distribution shift, Calibration & incertitude

N3Machine Learning classiqueTronc commun · 17 branches · 54 sous-branches
  • 100 XP

    Machine Learning

    • Linear
    • Polynomial
    • Quantile
    • Robust regression

    Prérequis : Supervised learning, Algèbre linéaire, Moteur statistique en NumPy pur

  • 85 XP

    Machine Learning

    • Decision Tree
    • Gini / entropie
    • Élagage

    Prérequis : Supervised learning, Théorie de l'information

  • 85 XP

    Machine Learning

    • Distances
    • KD-tree
    • Fléau de la dimension

    Prérequis : Supervised learning

  • 85 XP

    Machine Learning

    • Naive Bayes
    • LDA
    • QDA

    Prérequis : Bayes, Supervised learning, Moteur statistique en NumPy pur

  • 115 XP

    Machine Learning

    • K-Means
    • Hierarchical
    • DBSCAN
    • HDBSCAN
    • Spectral

    Prérequis : Unsupervised learning

  • 100 XP

    Machine Learning

    • PCA
    • Kernel PCA
    • ICA
    • NMF

    Prérequis : SVD & décompositions, Unsupervised learning

  • 75 XP

    Machine Learning

    • Bayesian models
    • Gaussian Processes

    Prérequis : MLE / MAP, Moteur statistique en NumPy pur

  • 85 XP

    Machine Learning

    • Bayesian Networks
    • HMM
    • Probabilistic graphical models

    Prérequis : Bayes

  • 85 XP

    Machine Learning

    • Ridge
    • Lasso
    • ElasticNet

    Prérequis : Régression, Régularisation

  • 75 XP

    Machine Learning

    • Logistic Regression
    • Softmax regression

    Prérequis : Régression

  • 85 XP

    Machine Learning

    • Bagging
    • Random Forest
    • Extra Trees

    Prérequis : Arbres de décision

  • 115 XP

    Machine Learning

    • AdaBoost
    • Gradient Boosting
    • XGBoost
    • LightGBM
    • CatBoost

    Prérequis : Arbres de décision, Descente de gradient

  • 75 XP

    Machine Learning

    • Gaussian Mixture
    • Algorithme EM

    Prérequis : Clustering, MLE / MAP

  • 75 XP

    Machine Learning

    • t-SNE
    • UMAP

    Prérequis : Réduction de dimension

  • 100 XP

    Machine Learning

    • Statistical
    • Isolation Forest
    • One-Class SVM
    • LOF

    Prérequis : Unsupervised learning, Arbres de décision

  • 85 XP

    Machine Learning

    • Marge maximale
    • Kernels
    • SVR

    Prérequis : Régression logistique, Optimisation

  • 85 XP

    Machine Learning

    • Stacking
    • Voting
    • Blending

    Prérequis : Bagging & forêts, Boosting

N4Réseaux de neuronesTronc commun · 9 branches · 29 sous-branches
  • 95 XP

    Deep Learning

    • Neurone
    • Perceptron
    • ADALINE

    Prérequis : Régression logistique, Descente de gradient

  • 95 XP

    Deep Learning

    • MLP
    • Réseau multicouche
    • Approximation universelle

    Prérequis : Neurone & perceptron

  • 145 XP

    Deep Learning

    • ReLU
    • Sigmoid
    • Tanh
    • GELU
    • SiLU
    • Softmax

    Prérequis : MLP / PMC

  • 80 XP

    Deep Learning

    • Forward propagation
    • Loss functions

    Prérequis : MLP / PMC, Théorie de l'information

  • 80 XP

    Deep Learning

    • Computational Graph
    • Automatic differentiation

    Prérequis : Forward & losses, Gradient, Jacobienne, Hessienne

  • 80 XP

    Deep Learning

    • Backpropagation
    • Vanishing / exploding gradients

    Prérequis : Graphe de calcul & autodiff

  • 95 XP

    Deep Learning

    • SGD / Momentum
    • Adam / AdamW
    • Schedulers

    Prérequis : Backpropagation

  • 110 XP

    Deep Learning

    • BatchNorm
    • LayerNorm
    • RMSNorm
    • GroupNorm

    Prérequis : Backpropagation

  • 110 XP

    Deep Learning

    • L1 / L2
    • Dropout
    • Early stopping
    • Data augmentation

    Prérequis : Backpropagation, Régularisation

N5Familles d'architecturesTronc commun · 18 branches · 49 sous-branches
  • 105 XP

    Vision & 3D

    • Convolution
    • Pooling
    • Champ récepteur

    Prérequis : Optimiseurs, Normalisation

  • 90 XP

    Audio & séries

    • RNN
    • BPTT

    Prérequis : Optimiseurs

  • 105 XP

    Génératif

    • AE
    • Bottleneck
    • Denoising AE

    Prérequis : Optimiseurs, Réduction de dimension

  • 125 XP

    Graphes

    • Message passing
    • GCN
    • GAT
    • GraphSAGE

    Prérequis : Optimiseurs, Algèbre linéaire

  • 90 XP

    IA pour la science

    • Neural ODE
    • Méthode adjointe

    Prérequis : Backpropagation, Analyse

  • 90 XP

    IA pour la science

    • Neurones impulsionnels
    • Neuromorphique

    Prérequis : MLP / PMC

  • 125 XP

    Vision & 3D

    • ResNet
    • DenseNet
    • U-Net
    • ConvNeXt

    Prérequis : CNN, Régularisation neuronale

  • 90 XP

    Audio & séries

    • LSTM
    • GRU

    Prérequis : RNN

  • 105 XP

    Génératif

    • VAE
    • ELBO
    • Reparameterization trick

    Prérequis : Autoencoder, Théorie de l'information

  • 90 XP

    Vision & 3D

    • Capsules
    • Dynamic routing

    Prérequis : CNN

  • 105 XP

    Langage & agents

    • Encoder-decoder
    • Teacher forcing
    • Beam search

    Prérequis : LSTM / GRU

  • 90 XP

    Audio & séries· ◎

    • LTC
    • CfC

    Prérequis : LSTM / GRU, Neural ODE

  • 105 XP

    Langage & agents

    • Attention
    • Self-attention
    • Multi-head

    Prérequis : Seq2Seq

  • 125 XP

    Langage & agents

    • Encoder
    • Decoder
    • Encoder-Decoder
    • Positional encoding

    Prérequis : Attention, Normalisation

  • 105 XP

    Vision & 3D· ◎

    • Patches
    • ViT
    • Swin

    Prérequis : Transformer, CNN

  • 90 XP

    Audio & séries· ◎

    • S4
    • Mamba

    Prérequis : RNN, Transformer

  • 105 XP

    Langage & agents

    • Routing
    • Sparse MoE
    • Load balancing

    Prérequis : Transformer

  • 90 XP

    Raisonnement & causalité

    • Memory Networks
    • Hopfield Networks modernes

    Prérequis : Attention

Jalon 2 · entre N5 et N62 projets obligatoires · obligatoire pour monter plus haut
  • 1 180 XP

    Nébuleuse · 7 semaines

    Une base SQL de 7 tables, sale et incomplète. Tu prédis le défaut de paiement avec des probabilités calibrées et des refus motivés, et tu bats notre baseline sur des mois que tu n'as jamais vus.

    Livrables

    • Pipeline SQL et Polars qui reconstruit chaque feature depuis la base brute, sans data leakage
    • Rapport de validation temporelle : logistique pénalisée, forêts, boosting, SVM, k-NN, tous réglés
    • Modèle final stacké, calibré sur le dernier mois, CLI de scoring par lot, couverture de tests ≥ 90 %
    • Moniteur de drift et d'anomalies : PSI par variable, Isolation Forest, une alerte JSON par lot
    • Model card et motifs de refus par client, tirés du modèle final complet, calibration comprise

    Critères de validation

    1. 01Test caché : ROC-AUC ≥ notre LightGBM réglé sur la table principale + 0,02 ; ECE sur 15 quantiles ≤ 0,01
    2. 0220 lots cachés de 5 000 lignes : le moniteur signale ≥ 9 des 10 lots en dérive et ≤ 1 des 10 lots sains
    3. 03Une commande rejoue tout en CI, hyperparamètres figés : ≤ 2 h sur 8 cœurs et 32 Go ; 4 motifs par client refusé

    Branches mobilisées : Pandas / Polars, Calibration & incertitude, Distribution shift, Régression pénalisée, SVM, k-NN, Boosting, Stacking & voting, Détection d'anomalies

  • 1 340 XP

    Pulsar · 8 semaines

    Ni PyTorch ni JAX : tenseurs, autograd, couches, optimiseurs, backend GPU, tu codes tout. Puis tu relèves le défi du palier 5 sans framework, chrono en main face à PyTorch.

    Livrables

    • Bibliothèque installable avec pip : tenseurs à broadcasting, autograd, backends NumPy et CuPy
    • Conv2d, LSTM, GRU, attention, BatchNorm, LayerNorm, Dropout ; SGD momentum, AdamW, schedulers
    • Suite de tests : gradcheck par différences finies sur chaque opération et chaque couche
    • Poids entraînés : un ResNet CIFAR-10 et deux modèles de langage, LSTM et mini-Transformer
    • Rapport de benchmark face aux références PyTorch de l'école : courbes, vitesse, mémoire, profiling

    Critères de validation

    1. 01Gradchecks cachés de l'école sur chaque opération : erreur relative ≤ 1e-6 en float64 ; couverture de tests ≥ 90 %
    2. 02ResNet : accuracy ≥ 90 % sur le test CIFAR-10 ; LSTM et Transformer : perte ≤ 1,02 × la perte de référence
    3. 03Réentraînement en CI sur T4 sans cuDNN : ≤ 2 h et ≤ 4 Go de VRAM par run ; temps d'un pas de ResNet ≤ 3 × celui de PyTorch

    Branches mobilisées : Calcul GPU, Profiling, Graphe de calcul & autodiff, Optimiseurs, Normalisation, Régularisation neuronale, CNN modernes, LSTM / GRU, Transformer

N6Paradigmes d'apprentissageCarrefour · 12 branches · 31 sous-branches
  • 115 XP

    Deep Learning

    • SimCLR
    • MoCo
    • InfoNCE

    Prérequis : Self-supervised, CNN modernes

  • 95 XP

    Deep Learning

    • Masked language modeling
    • MAE

    Prérequis : Self-supervised, Transformer

  • 115 XP

    Deep Learning

    • Next-token prediction
    • JEPA
    • Predictive coding

    Prérequis : Self-supervised, Transformer, Moteur de deep learning fait main

  • 115 XP

    Deep Learning

    • Feature extraction
    • Fine-tuning
    • Domain adaptation

    Prérequis : Transfer & multi-task, CNN modernes

  • 95 XP

    Deep Learning

    • MAML
    • Learning to learn

    Prérequis : Transfer & multi-task, Optimiseurs

  • 115 XP

    Deep Learning

    • Catastrophic forgetting
    • Replay
    • EWC

    Prérequis : Transfer & multi-task, Optimiseurs, Scoring de crédit de bout en bout

  • 95 XP

    Deep Learning

    • Hard / soft sharing
    • Pondération des pertes

    Prérequis : Transfer & multi-task, Optimiseurs

  • 95 XP

    Deep Learning

    • Ordonnancement des exemples
    • Self-paced learning

    Prérequis : Optimiseurs

  • 95 XP

    Confiance & sûreté

    • FedAvg
    • Données décentralisées

    Prérequis : Optimiseurs

  • 115 XP

    Deep Learning

    • Embeddings
    • Espaces latents
    • Disentanglement

    Prérequis : Contrastive learning, Autoencoder

  • 115 XP

    Deep Learning

    • Siamese Networks
    • Triplet Loss
    • Contrastive Loss

    Prérequis : Contrastive learning, k-NN, Scoring de crédit de bout en bout

  • 115 XP

    Deep Learning

    • Few-Shot Learning
    • Zero-Shot Learning
    • Prototypical networks

    Prérequis : Metric learning, Meta-learning

N7Modélisation par type de donnéesCarrefour · 9 branches · 28 sous-branches
  • 125 XP

    Machine Learning

    • ML classique
    • Boosting
    • Tabular DL

    Prérequis : Boosting, MLP / PMC, Scoring de crédit de bout en bout

  • 125 XP

    Vision & 3D

    • CNN
    • ViT
    • Augmentations

    Prérequis : CNN modernes, Vision Transformers, Transfer learning, Moteur de deep learning fait main

  • 165 XP

    Audio & séries

    • RNN
    • LSTM
    • TCN
    • Transformer
    • SSM

    Prérequis : LSTM / GRU, State Space Models, Moteur de deep learning fait main

  • 125 XP

    Langage & agents

    • Tokenization
    • Embeddings
    • Transformer

    Prérequis : Transformer, Masked prediction, Representation learning

  • 145 XP

    Audio & séries· ◎

    • DSP
    • Spectrogrammes
    • CNN
    • Transformer

    Prérequis : CNN, Transformer, SciPy

  • 100 XP

    Graphes

    • GNN
    • Construction de graphes

    Prérequis : GNN, Representation learning

  • 100 XP

    Vision & 3D

    • PointNet
    • Point Transformer

    Prérequis : MLP / PMC, Transformer

  • 125 XP

    Vision & 3D· ◎

    • 3D CNN
    • Temporal Networks
    • Video Transformer

    Prérequis : Image, Séquences

  • 125 XP

    Multimodal· ◎

    • Cross-modal architectures
    • Fusion précoce / tardive
    • Cross-attention

    Prérequis : Image, Texte, Audio

N8Grandes spécialisationsSpécialisations · 55 branches · 161 sous-branches
  • 155 XP

    Langage & agents

    • n-grams
    • BERT
    • GPT
    • Perplexité

    Prérequis : Texte, Predictive learning

  • 155 XP

    Langage & agents

    • Classification de texte
    • NER
    • Parsing
    • Analyse de sentiment

    Prérequis : Texte

  • 130 XP

    Langage & agents

    • NMT
    • Multilingue
    • BLEU / COMET

    Prérequis : Modèles de langage, Seq2Seq

  • 130 XP

    Langage & agents

    • Extractive QA
    • Generative QA
    • Lecture de documents

    Prérequis : Modèles de langage, NLP classique

  • 130 XP

    Vision & 3D

    • Classification
    • Recherche d'images
    • Reconnaissance fine

    Prérequis : Image

  • 130 XP

    Vision & 3D

    • YOLO
    • Faster R-CNN
    • DETR

    Prérequis : Vision 2D

  • 155 XP

    Vision & 3D

    • Sémantique
    • Instance
    • Panoptique
    • SAM

    Prérequis : Vision 2D

  • 130 XP

    Vision & 3D

    • Stéréo
    • Profondeur
    • Reconstruction

    Prérequis : Image, Point clouds

  • 130 XP

    Vision & 3D

    • Multi-object tracking
    • Re-ID
    • Optical flow

    Prérequis : Détection, Vidéo

  • 130 XP

    Vision & 3D

    • NeRF
    • Gaussian Splatting
    • Rendu différentiable

    Prérequis : Vision 3D

  • 130 XP

    Vision & 3D

    • Génération 3D
    • Maillages
    • Scènes 3D

    Prérequis : Neural Rendering

  • 130 XP

    Vision & 3D

    • Cartographie sémantique
    • Scene graphs
    • Géolocalisation

    Prérequis : Vision 3D, Tracking

  • 130 XP

    Audio & séries· ◎

    • CTC
    • Encoder-decoder
    • Diarisation

    Prérequis : Audio, Seq2Seq

  • 130 XP

    Audio & séries

    • Vocoders
    • Prosodie
    • Voice cloning

    Prérequis : Audio

  • 130 XP

    Audio & séries

    • MIR
    • Transcription
    • Séparation de sources

    Prérequis : Audio

  • 130 XP

    Audio & séries

    • ARIMA / ETS
    • DeepAR
    • N-BEATS

    Prérequis : Séquences, Statistiques

  • 110 XP

    Audio & séries

    • Change points
    • Détection en flux

    Prérequis : Forecasting, Détection d'anomalies

  • 130 XP

    Audio & séries

    • TCN
    • Temporal Fusion Transformer
    • PatchTST

    Prérequis : Forecasting

  • 130 XP

    Recherche & reco

    • BM25
    • Index inversé
    • nDCG / MRR

    Prérequis : Texte, Métriques

  • 110 XP

    Recherche & reco

    • Factorisation matricielle
    • Implicit feedback

    Prérequis : SVD & décompositions, Tabulaire

  • 110 XP

    Recherche & reco

    • Learning to rank
    • CTR prediction

    Prérequis : Tabulaire, Métriques

  • 130 XP

    Recherche & reco

    • Two-tower
    • ANN / FAISS
    • Dense embeddings

    Prérequis : Information Retrieval, Representation learning

  • 110 XP

    Recherche & reco

    • Re-ranking
    • Query understanding

    Prérequis : Retrieval, Ranking

  • 130 XP

    Recherche & reco

    • Candidate generation
    • Reco séquentielle
    • Cold start

    Prérequis : Collaborative filtering, Retrieval

  • 130 XP

    Graphes

    • Link prediction
    • Graph classification
    • Graph pooling

    Prérequis : Graphes

  • 130 XP

    Graphes

    • Ontologies
    • TransE
    • Raisonnement sur graphe

    Prérequis : Graphes

  • 110 XP

    Graphes· ◎

    • Graphormer
    • Graph positional encodings

    Prérequis : Graphes, Transformer

  • 130 XP

    Graphes· ◎

    • Équivariance
    • Groupes & symétries
    • Manifolds

    Prérequis : GNN avancés, Point clouds

  • 130 XP

    Génératif

    • Vraisemblance explicite / implicite
    • Échantillonnage
    • FID / IS

    Prérequis : VAE, Representation learning

  • 155 XP

    RL & robotique

    • MDP
    • Bellman
    • Bandits
    • Exploration

    Prérequis : Probabilités, Descente de gradient

  • 130 XP

    RL & robotique

    • Q-Learning
    • DQN
    • Replay buffer

    Prérequis : Bases du RL, MLP / PMC

  • 130 XP

    RL & robotique

    • REINFORCE
    • Actor-critic
    • PPO

    Prérequis : Bases du RL, Optimiseurs

  • 130 XP

    RL & robotique

    • Behavior cloning
    • DAgger
    • Inverse RL

    Prérequis : Bases du RL, Supervised learning

  • 130 XP

    RL & robotique

    • Dyna
    • Planification apprise
    • MuZero

    Prérequis : Q-Learning / DQN, Policy gradient / PPO

  • 110 XP

    RL & robotique· ◎

    • Conservative Q-learning
    • Decision Transformer

    Prérequis : Q-Learning / DQN, Transformer

  • 130 XP

    RL & robotique· ◎

    • Conduite autonome
    • Drones
    • Chaîne perception-décision

    Prérequis : Tracking, Model-Based RL

  • 130 XP

    Raisonnement & causalité

    • SCM
    • Causal Graph
    • do-calculus

    Prérequis : Modèles graphiques

  • 130 XP

    Raisonnement & causalité

    • Logique du premier ordre
    • SAT / SMT
    • Constraint Learning

    Prérequis : Modèles graphiques, Arbres de décision

  • 130 XP

    Raisonnement & causalité

    • A*
    • MCTS
    • Planification classique (PDDL)

    Prérequis : Bases du RL

  • 130 XP

    Raisonnement & causalité

    • ATE / CATE
    • Uplift
    • Meta-learners

    Prérequis : Graphes causaux & SCM, Boosting

  • 110 XP

    Raisonnement & causalité

    • Counterfactual
    • Explications contrefactuelles

    Prérequis : Graphes causaux & SCM

  • 130 XP

    Raisonnement & causalité· ◎

    • Neuro-symbolic
    • Program synthesis
    • Differentiable logic

    Prérequis : Logique & contraintes, Transformer

  • 110 XP

    Raisonnement & causalité· ◎

    • Learning to optimize
    • Optimisation combinatoire neuronale

    Prérequis : Recherche & planification, GNN

  • 130 XP

    IA pour la science

    • Surrogate models
    • Opérateurs neuronaux (FNO)
    • Simulation

    Prérequis : Neural ODE, Régression

  • 130 XP

    IA pour la science

    • Molécules comme graphes
    • Prédiction de propriétés
    • Rétrosynthèse

    Prérequis : Graphes

  • 130 XP

    IA pour la science· ◎

    • Protein structure
    • Génomique
    • Single-cell

    Prérequis : Graphes, Transformer

  • 130 XP

    IA pour la science

    • PINNs
    • EDP
    • Contraintes physiques

    Prérequis : Scientific ML, Gradient, Jacobienne, Hessienne

  • 130 XP

    IA pour la science

    • Docking
    • Criblage virtuel
    • Génération de molécules

    Prérequis : AI for Chemistry, Computational Biology AI

  • 130 XP

    Confiance & sûreté

    • SHAP
    • LIME
    • Saliency maps

    Prérequis : Boosting, CNN

  • 130 XP

    Confiance & sûreté

    • FGSM / PGD
    • Robustesse
    • Défenses

    Prérequis : CNN modernes, Gradient, Jacobienne, Hessienne

  • 130 XP

    Confiance & sûreté

    • Differential privacy
    • Chiffrement homomorphe
    • Secure aggregation

    Prérequis : Federated learning, Statistiques

  • 130 XP

    Confiance & sûreté

    • Deep ensembles
    • Conformal prediction
    • Bayesian deep learning

    Prérequis : Calibration & incertitude, Modèles bayésiens

  • 130 XP

    Confiance & sûreté· ◎

    • Probing
    • Circuits
    • Sparse autoencoders

    Prérequis : Explainable AI, Transformer

  • 130 XP

    Confiance & sûreté· ◎

    • Alignment
    • Red teaming
    • Évaluations de capacités

    Prérequis : Interpretability, Adversarial ML, Modèles de langage

  • 130 XP

    Multimodal

    • CLIP
    • Alignement image-texte
    • Audio-visual

    Prérequis : Multimodal, Contrastive learning

Jalon 3 · entre N8 et N94 projets obligatoires · obligatoire pour monter plus haut
  • 2 160 XP

    Supernova · 10 semaines

    Un seul réseau détecte, segmente et suit chaque objet d'une vidéo de conduite, à 30 images/s. Et tient bon de nuit, sous la pluie et dans le flou, en sachant quand il doute.

    Livrables

    • Dépôt testé : backbone ImageNet ou COCO, têtes de détection, segmentation et ReID, tracker maison
    • Un seul graphe ONNX en FP16 et INT8 (perte de mAP50 ≤ 1,5 point), poids entraînés en ≤ 150 h GPU
    • Banc d'évaluation en une commande : mAP, mIoU, HOTA, MOTA, IDF1, latence et mémoire par séquence
    • Suite de robustesse : corruptions à 3 sévérités, incertitude (ensemble ou MC dropout), calibration
    • Démo vidéo annotée et rapport technique : ablations, budget de latence, analyse des échecs

    Critères de validation

    1. 01Tests cachés type BDD100K : mAP50 ≥ 50 % (10 classes), mIoU ≥ 55 % (19 classes), mHOTA ≥ 38 % (MOT, 8 classes)
    2. 02Même modèle qu'aux critères 1 et 3, décodage vidéo et tracking compris : ≥ 30 images/s en 720p sur T4, batch 1, p95 ≤ 40 ms
    3. 03Corruptions cachées, sévérités 1 à 3 : mAP50 ≥ 60 % du score sans corruption ; D-ECE (IoU ≥ 0,5) ≤ 0,08 sur images intactes

    Branches mobilisées : Détection, Segmentation, Tracking, Multi-task learning, Metric learning, Uncertainty Quantification, Distribution shift, Profiling, Calcul GPU

  • 1 940 XP

    Quasar · 9 semaines

    Des millions de passages, une question : BM25, dense retrieval, re-ranking et lecteur neuronal trouvent la réponse en moins d'une seconde. Ou se taisent quand il n'y en a pas.

    Livrables

    • Dépôt testé : BM25, dense retrieval, re-ranking, lecteur extractif ou seq2seq fine-tuné (type FiD)
    • Index BM25 et ANN (FAISS) sur plus de 5 millions de passages, reconstruits en une commande
    • Cross-encoder et LambdaMART entraînés, two-tower distillé du cross-encoder, poids publiés
    • API de recherche et de réponse avec démo web : passage source cité, ou abstention explicite
    • Rapport d'évaluation : nDCG, MRR, EM, F1, latence par étape, ablations, analyse d'erreurs

    Critères de validation

    1. 01Requêtes cachées type MS MARCO : MRR@10 ≥ 0,36 et nDCG@10 ≥ 0,42, depuis des checkpoints jamais entraînés en IR ou QA
    2. 02Questions cachées avec réponse, de bout en bout : EM ≥ 40 %, F1 ≥ 48 %, abstention ≤ 10 % ; sans réponse : abstention ≥ 70 %
    3. 03Même config qu'aux critères 1 et 2, 1 GPU T4 et 8 vCPU : p95 ≤ 200 ms (top 10 reclassé), ≤ 1 s (réponse), index ANN ≤ 8 Go

    Branches mobilisées : Information Retrieval, Retrieval, Ranking, Search & Ranking, Question answering, Modèles de langage, Metric learning, Boosting, Calibration & incertitude

  • 2 160 XP

    Nébuleuse · 10 semaines

    Prédire l'énergie, les forces et la toxicité d'une molécule inédite, à partir de son graphe et de sa géométrie 3D. Et dire à quel point on est sûr, et pourquoi.

    Livrables

    • Bibliothèque : GNN, graph transformer, réseau SE(3)-équivariant, tests de symétrie et de chiralité
    • Pipeline de données : conformères 3D, calcul des descripteurs, splits par scaffold reproductibles
    • Poids des trois familles et de l'ensemble final, chacun avec sa model card
    • Module d'incertitude : deep ensembles, prédiction conforme calibrée sur des scaffolds réservés
    • Rapport : benchmark comparatif, cartes d'attribution par atome, domaine d'applicabilité

    Critères de validation

    1. 01Scaffolds inédits : MAE d'énergie et de forces ≤ 0,7 × la baseline SchNet (type SPICE), ROC-AUC en toxicité ≥ 0,76 (type Tox21)
    2. 02Énergie sur ≥ 2 000 molécules cachées : intervalles conformes à 90 %, couverture de 87 à 93 %, Spearman incertitude-erreur ≥ 0,3
    3. 03Sur la tâche à motifs synthétiques fournie, l'API d'attribution par atome retrouve les motifs responsables : AUROC ≥ 0,80

    Branches mobilisées : AI for Chemistry, GNN avancés, Graph Transformers, Geometric Deep Learning, Uncertainty Quantification, Explainable AI, Validation, Distribution shift, Stacking & voting

  • 2 160 XP

    Trou noir · 10 semaines

    Cinq façons d'apprendre à décider s'affrontent dans le même monde simulé : DQN, PPO, MCTS, imitation et RL offline. Verdict sur 10 seeds, pas sur un run chanceux.

    Livrables

    • Dépôt testé : agents DQN, PPO, MCTS sur modèle appris, BC et CQL, seeds fixés, ≤ 200 h GPU
    • Bibliothèque d'évaluation off-policy : IS, WIS, doubly robust, FQE, tests à valeur connue
    • Checkpoints de chaque agent, réentraînables seed par seed, script qui régénère toutes les figures
    • Tableau sur les seeds 0 à 9 : score normalisé (0 aléatoire, 1 expert), IQM, IC bootstrap à 95 %
    • Rapport et vidéos : comportements, coûts, échecs, explications contrefactuelles des décisions

    Critères de validation

    1. 01Meilleur agent en ligne, ≤ 10 M pas, seeds 0 à 9, niveaux cachés : IQM normalisé ≥ 0,70, borne inférieure de l'IC 95 % ≥ 0,60
    2. 02Agent offline, sur les seuls logs fournis : score normalisé ≥ politique de collecte + 0,15 et ≥ BC + 0,05, sur 10 seeds
    3. 03Évaluation off-policy de 12 politiques cachées fournies par la CI : Spearman ≥ 0,7, regret@1 ≤ 0,1, erreur absolue médiane ≤ 0,1

    Branches mobilisées : Q-Learning / DQN, Policy gradient / PPO, Model-Based RL, Recherche & planification, Imitation learning, Offline RL, Counterfactuals, Treatment effect, Statistiques

N9IA générativeSpécialisations · 11 branches · 31 sous-branches
  • 140 XP

    Génératif· ◎

    • PixelRNN
    • WaveNet
    • GPT

    Prérequis : Modélisation générative, Modèles de langage, Moteur de recherche qui répond

  • 140 XP

    Génératif

    • AE
    • VAE
    • VQ-VAE

    Prérequis : Modélisation générative

  • 140 XP

    Génératif· ◎

    • DCGAN
    • Conditional GAN
    • StyleGAN

    Prérequis : Modélisation générative, CNN modernes

  • 140 XP

    Génératif

    • RealNVP
    • Glow
    • Changement de variables

    Prérequis : Modélisation générative, Gradient, Jacobienne, Hessienne

  • 140 XP

    Génératif

    • Fonctions d'énergie
    • Langevin dynamics
    • Contrastive divergence

    Prérequis : Modélisation générative, Oracle moléculaire

  • 140 XP

    Génératif· ◎

    • DDPM
    • DDIM
    • Score matching

    Prérequis : Energy-Based Models, CNN modernes, Oracle moléculaire

  • 140 XP

    Génératif

    • Latent Diffusion
    • Classifier-free guidance
    • ControlNet

    Prérequis : Diffusion, Autoencodeurs génératifs

  • 115 XP

    Génératif

    • Flow Matching
    • Rectified flow

    Prérequis : Diffusion, Normalizing Flows

  • 115 XP

    Génératif· ◎

    • DiT
    • Latents en patches

    Prérequis : Latent Diffusion, Vision Transformers

  • 140 XP

    Audio & séries· ◎

    • Codecs neuronaux
    • Génération musicale
    • Synthèse vocale expressive

    Prérequis : Autorégressif, TTS, Diffusion

  • 140 XP

    Multimodal· ◎

    • Text-to-image
    • Text-to-video
    • Text-to-3D

    Prérequis : Diffusion Transformer, Apprentissage multimodal, 3D AI

N10Foundation ModelsSpécialisations · 17 branches · 49 sous-branches
  • 150 XP

    Langage & agents· ◎

    • Données à grande échelle
    • Scaling laws
    • Objectifs de pré-entraînement

    Prérequis : Modèles de langage, Autorégressif

  • 150 XP

    Langage & agents

    • SFT
    • Instruction tuning
    • Données synthétiques

    Prérequis : Pretraining

  • 150 XP

    Langage & agents

    • Sampling
    • KV Cache
    • Speculative decoding

    Prérequis : Pretraining

  • 150 XP

    Langage & agents· ◎

    • Reward models
    • RLHF
    • DPO

    Prérequis : Post-training, Policy gradient / PPO, Arène de décision

  • 175 XP

    Langage & agents

    • Fine-tuning
    • LoRA
    • QLoRA
    • Adapters

    Prérequis : Post-training

  • 150 XP

    Langage & agents

    • In-context learning
    • Chain-of-thought
    • Prompt engineering

    Prérequis : Post-training

  • 125 XP

    Langage & agents

    • Teacher / student
    • Distillation de raisonnement

    Prérequis : Post-training, Moteur de recherche qui répond

  • 150 XP

    Langage & agents

    • INT8 / INT4
    • GPTQ / AWQ
    • FP8

    Prérequis : Inférence, Perception vidéo en temps réel

  • 150 XP

    Langage & agents

    • Continuous batching
    • PagedAttention
    • Latence / débit

    Prérequis : Inférence, Moteur de recherche qui répond

  • 150 XP

    Langage & agents

    • Décodeurs GPT
    • Long contexte
    • Modèles de raisonnement

    Prérequis : Preference learning, Adaptation (PEFT), Mixture of Experts

  • 150 XP

    Multimodal· ◎

    • Encodeurs visuels
    • Visual instruction tuning
    • Documents & OCR

    Prérequis : LLM, Apprentissage multimodal, Vision 2D, Perception vidéo en temps réel

  • 150 XP

    Audio & séries· ◎

    • Whisper-like
    • Speech LLM
    • Audio-LM

    Prérequis : ASR, Pretraining

  • 125 XP

    Audio & séries· ◎

    • Prévision zero-shot
    • Tokenisation de séries

    Prérequis : Temporal DL, Pretraining

  • 125 XP

    Graphes· ◎

    • Pré-entraînement de graphes
    • Modèles moléculaires

    Prérequis : Graph Transformers, Pretraining, Oracle moléculaire

  • 150 XP

    Vision & 3D· ◎

    • Video-LM
    • Génération vidéo
    • Temporal grounding

    Prérequis : VLM, Tracking, Diffusion Transformer, Perception vidéo en temps réel

  • 150 XP

    RL & robotique· ◎

    • Modèles prédictifs
    • Simulation apprise
    • World models vidéo

    Prérequis : Model-Based RL, Diffusion Transformer, Pretraining, Arène de décision

  • 150 XP

    Multimodal· ◎

    • Tokenisation unifiée
    • Omni models
    • Audio-LM

    Prérequis : VLM, Speech Foundation Models, Multimodal Generative Models

N11Agentic AISpécialisations · 10 branches · 30 sous-branches
  • 160 XP

    Langage & agents

    • Function calling
    • APIs
    • Sandboxing

    Prérequis : LLM, Prompt & context learning

  • 135 XP

    Langage & agents

    • JSON schema
    • Constrained decoding

    Prérequis : Tool calling

  • 160 XP

    Langage & agents· ◎

    • Vector DB
    • Hybrid search
    • Embeddings

    Prérequis : Structured outputs, Retrieval

  • 185 XP

    Langage & agents· ◎

    • Chunking
    • Re-ranking
    • GraphRAG
    • Évaluation RAG

    Prérequis : Retrieval, Knowledge Graphs, Search & Ranking

  • 160 XP

    Langage & agents· ◎

    • Mémoire court / long terme
    • Mémoire épisodique
    • Résumés

    Prérequis : RAG, Mémoire & Hopfield

  • 160 XP

    Raisonnement & causalité· ◎

    • Décomposition de tâches
    • ReAct
    • Plan-and-execute

    Prérequis : Memory, Recherche & planification

  • 160 XP

    Raisonnement & causalité

    • Tree of thoughts
    • Self-consistency
    • Test-time compute

    Prérequis : Planning, Neuro-symbolic

  • 160 XP

    Langage & agents· ◎

    • Boucle d'agent
    • Garde-fous
    • Évaluation d'agents

    Prérequis : Reasoning / Search, AI Safety

  • 160 XP

    Langage & agents

    • Orchestration
    • Rôles
    • Communication

    Prérequis : Single agent

  • 160 XP

    Langage & agents· ◎

    • Agents longue durée
    • Computer use
    • Auto-amélioration

    Prérequis : Multi-agent, VLM

Jalon 4 · entre N11 et N128 projets obligatoires · obligatoire pour monter plus haut
  • 3 170 XP

    Trou noir · 12 semaines

    Tu codes ton LLM de zéro, tu le pré-entraînes, tu l'alignes en DPO et tu le sers quantifié, le tout en 300 h de GPU A100. Chaque étage est mesuré : bits par octet, win rate, débit.

    Livrables

    • Code écrit de zéro, interfaces imposées, tests cachés : BPE, transformer, boucle d'entraînement, DPO
    • Pipeline de données avec déduplication sur le corpus imposé, tokenizer BPE entraîné
    • Trois checkpoints (base, SFT, aligné), deux adaptateurs LoRA, model cards, suite d'éval en CI
    • Serveur INT4 écrit de zéro : continuous batching, KV cache, speculative decoding
    • Rapport de scaling : IsoFLOP sur 3 budgets et 4 tailles, taille optimale prédite puis vérifiée

    Critères de validation

    1. 01Split caché du corpus imposé : ≤ 1,0 bit par octet ; loss du plus grand modèle prédite à 3 % près par ta loi d'échelle
    2. 02Win rate contrôlé en longueur ≥ 60 % face au SFT de référence fourni : positions inversées, juge fixe, 500 prompts secrets
    3. 03INT4 : ≤ 3 % de bits par octet en plus ; speculative decoding : ≥ 60 % d'acceptation, sorties identiques en greedy

    Branches mobilisées : Texte, Modèles de langage, Pretraining, Post-training, Inférence, Preference learning, Adaptation (PEFT), Quantization, Serving

  • 2 900 XP

    Quasar · 11 semaines

    Tu branches un encodeur visuel sur un LLM, tu alignes image et texte, puis tu l'entraînes en LoRA à suivre des consignes. Il répond à des questions sur des PDF, des tableaux et des graphiques.

    Livrables

    • Code écrit de zéro : projecteur, tuilage (768 px min.), deux phases d'entraînement, 200 h A100 max
    • Jeu d'instructions visuelles de 100k paires, 20k avec boîtes d'ancrage, sans fuite vers les tests
    • Checkpoints des deux phases, LoRA fusionné, model card listant les limites connues
    • Démo web : on dépose un PDF, la réponse cite la page et la zone utilisées
    • Rapport d'éval sur les splits publics : ablations de résolution et de tuilage, analyse d'erreurs

    Critères de validation

    1. 01Split caché, LLM texte de 3 B max : ANLS ≥ 70 % sur les documents, ≥ 60 % d'exactitude sur les graphiques (tolérance 5 %)
    2. 02Sur 200 questions extractives, la zone citée recouvre la ligne de la réponse (IoU > 0,5) dans ≥ 60 % des cas
    3. 03Éval relancée en une commande depuis les poids : score à 0,5 point près ; 5 % de la phase 2 rejoués en CI, loss à 2 % près

    Branches mobilisées : Vision Transformers, Vision 2D, Détection, Apprentissage multimodal, Post-training, Adaptation (PEFT), VLM, Structured outputs

  • 2 900 XP

    Quasar · 11 semaines

    Un agent qui cherche, lit, code et se corrige, avec un modèle imposé. Ton moteur de recherche du jalon 3 devient son outil ; tu ajoutes mémoire, planification, multi-agent et garde-fous.

    Livrables

    • Agent écrit de zéro, sans framework d'agents : boucle, outils typés, sandbox d'exécution
    • RAG agentique multi-sauts sur ton moteur du jalon 3, réindexé sur 10k documents, GraphRAG en option
    • Couche de mémoire à long terme : résumés, épisodes, récupération, tests de rappel en CI
    • Planificateur à recherche arborescente et orchestrateur multi-agent : rôles, protocole, arbitrage
    • Banc public de 50 tâches à vérification automatique, tableau de bord des runs et des coûts

    Critères de validation

    1. 01Banc caché de 150 tâches vérifiées automatiquement, modèle imposé : ≥ 55 % de réussite, contre 25 % pour la baseline fournie
    2. 02Sur 200 documents piégés par prompt injection : zéro action hors périmètre, ≤ 5 % de refus à tort sur les tâches saines
    3. 03Ablations en CI : retirer RAG, mémoire, recherche ou multi-agent coûte ≥ 5 points chacun ; coût médian ≤ 0,50 € par tâche

    Branches mobilisées : Tool calling, Structured outputs, RAG, Memory, Planning, Reasoning / Search, Multi-agent, Autonomous systems, AI Safety

  • 2 900 XP

    Nébuleuse · 11 semaines

    Tu entraînes ton générateur d'images sur COCO en 300 h de GPU A100 : un autoencodeur latent, puis un diffusion transformer en flow matching. Jugé au FID, au CLIP score et par de vrais humains.

    Livrables

    • Code écrit de zéro : VAE f8, DiT, perte de flow matching, sampler et classifier-free guidance
    • Checkpoints du VAE et du générateur (poids EMA), configs de run, courbes de loss et de FID
    • Galerie de 1 000 échantillons avec prompts et seeds, régénérable en une commande
    • Rapport d'éval : FID, CLIP score, rFID, courbes selon la guidance et le nombre de pas
    • Démo web : prompt, échelle de guidance, nombre de pas et seed au choix

    Critères de validation

    1. 01FID-10k ≤ 25 à 256 px sur le split caché de COCO ; CLIP score ViT-L/14 ≥ 90 % de celui des images réelles
    2. 02Étude à l'aveugle menée par la plateforme : ≥ 60 % des 500 votes face à la baseline fournie de même budget
    3. 03VAE f8 à 4 canaux : PSNR ≥ 24 dB, rFID ≤ 5 ; une image 256 px avec guidance en ≤ 3 s sur le GPU de la CI

    Branches mobilisées : Image, Apprentissage multimodal, Modélisation générative, Autoencodeurs génératifs, Diffusion, Latent Diffusion, Flow Matching, Diffusion Transformer

  • 2 900 XP

    Pulsar · 11 semaines

    Un assistant qui écoute, comprend et répond à voix haute, sans blanc. ASR streaming et TTS expressive fine-tunées en français, LLM imposé quantifié et servi en flux, budget de latence tenu.

    Livrables

    • Orchestrateur full-duplex écrit de zéro : VAD, fin de tour, ASR en flux, interruptions, TTS en flux
    • Checkpoints ASR et TTS fine-tunés (TTS sur codec pré-entraîné), recettes, 150 h A100 max
    • Démo navigateur en full-duplex : on peut couper la parole à l'assistant à tout moment
    • Banc de latence : traces par étage (VAD, ASR, LLM, TTS), p50 et p95, budget documenté
    • Rapport d'éval : WER, MOS, UTMOS, latence, robustesse au bruit, erreurs de fin de tour

    Critères de validation

    1. 01WER en français, en streaming aux réglages de la latence : ≤ 8 % sur le test propre caché, ≤ 15 % sur le bruité
    2. 02Fin de parole au premier son : p50 ≤ 500 ms, p95 ≤ 800 ms sur le GPU de la CI ; silence en ≤ 200 ms si on lui coupe la parole
    3. 03MOS ≥ 3,8 (panel de la plateforme, 20 juges, 50 échantillons), similarité de locuteur ≥ 90 % de celle entre vrais enregistrements

    Branches mobilisées : Audio, ASR, TTS, Audio Gen, Speech Foundation Models, LLM, Quantization, Serving

  • 3 170 XP

    Trou noir · 12 semaines

    Au jalon 3, tes agents avaient un simulateur. Ici, rien que des épisodes hors ligne, en pixels : ton modèle du monde apprend la dynamique, et ton agent s'entraîne et planifie dans ce rêve.

    Livrables

    • Modèle du monde écrit de zéro et testé en CI : encodeur, dynamique latente ou DiT, rollouts imaginés
    • Checkpoints du modèle de dynamique et ensemble pour l'incertitude, en 200 h A100 max
    • Politique entraînée en imagination avec pénalité d'incertitude, et planificateur latent
    • Vidéos côte à côte : rollouts imaginés et réels sur 50 épisodes des 3 tâches imposées
    • Rapport : erreur par horizon, score de l'agent, politique choisie par ta lib off-policy du jalon 3

    Critères de validation

    1. 013 tâches DMC imposées en 64×64 : PSNR à 15 pas ≥ 22 dB, erreur de retour prédit à 50 pas ≤ 10 % de l'étendue des retours
    2. 02Entraîné en imagination sur le dataset fourni (10 fois moins de pas que le PPO de référence), l'agent atteint 80 % de son score
    3. 033 seeds, écart-type ≤ 10 % de la moyenne ; le correcteur relance un run en une commande : score à 2 écarts-types près

    Branches mobilisées : Séquences, Policy gradient / PPO, Model-Based RL, Offline RL, Uncertainty Quantification, Diffusion Transformer, Pretraining, World Models

  • 3 170 XP

    Nébuleuse · 12 semaines

    Ton oracle du jalon 3 jugeait des molécules. Ici, tu les inventes : un modèle de fondation pré-entraîné sur des millions de graphes, un générateur sous contraintes, un criblage actif au docking.

    Livrables

    • Dépôt de pré-entraînement auto-supervisé sur 2 millions de graphes moléculaires, 200 h A100 max
    • Checkpoint du graph foundation model, têtes fine-tunées sur 6 tâches à 1 000 labels, model card
    • Générateur par diffusion sous contraintes, écrit de zéro, et 500 candidats en SMILES
    • Boucle de criblage actif : acquisition guidée par l'incertitude, ton oracle du jalon 3 en filtre
    • Rapport de criblage virtuel : docking, incertitude, ablation du pré-entraînement

    Critères de validation

    1. 016 tâches à 1 000 labels, split caché par scaffold : MAE ≥ 10 % sous celle du GNN de référence fourni, sur 5 des 6
    2. 02Top 100 sur la cible imposée : 100 % valides, ≥ 80 % nouveaux, QED ≥ 0,5, SA ≤ 4, Vina médian ≥ 1 kcal/mol sous ZINC apparié
    3. 03Chimiothèque cachée de 500 000 molécules, ≤ 5 000 dockings comptés par la plateforme : ta boucle retrouve ≥ 50 % du top 500

    Branches mobilisées : Graphes, GNN avancés, Geometric Deep Learning, AI for Chemistry, AI for Drug Discovery, Uncertainty Quantification, Diffusion, Pretraining, Graph Foundation Models

  • 2 900 XP

    Supernova · 11 semaines

    Tu attaques un modèle open-weight imposé de 1 à 3 B, tu mesures ce qu'il sait faire, puis tu regardes dedans, en 100 h de GPU A100. Red teaming, sondes, SAE, fuites de données, rapport publié.

    Livrables

    • Suite de red teaming : 1 000 prompts d'attaque versionnés et scorés, rejoués à chaque mitigation
    • Évals de capacités sur proxys publics (WMDP, CTF en sandbox), sans item dangereux inédit
    • SAE et sondes écrits de zéro, sur le modèle imposé ou ton LLM maison ; circuits en bonus
    • Tests de fuite : canaris, membership inference, variante DP, epsilon calculé en CI (delta 1e-5)
    • Rapport d'audit publié : modèle de menace, résultats, mitigations, budget de risque

    Critères de validation

    1. 01Attaques cachées et adaptatives : ≥ 40 % de jailbreaks en moins après mitigation, refus à tort ≤ 5 %, utilité à 2 points près
    2. 02SAE : variance expliquée ≥ 85 %, L0 ≤ 100 ; 16 des 20 features étiquetées ont un effet d'ablation ≥ 5 fois le témoin aléatoire
    3. 03Canaris : AUC de membership inference ≥ 0,70 sans DP, ≤ 0,55 après fine-tuning DP (epsilon ≤ 8), utilité à 5 points près

    Branches mobilisées : Adversarial ML, Privacy-Preserving ML, Interpretability, AI Safety, LLM, Post-training, Preference learning, Adaptation (PEFT), Prompt & context learning

N12Physical / Embodied AISpécialisations · 17 branches · 43 sous-branches
  • 170 XP

    RL & robotique

    • Vision robotique
    • Pose 6D
    • Profondeur

    Prérequis : Détection, Vision 3D

  • 140 XP

    RL & robotique

    • Nuages LiDAR
    • Segmentation LiDAR

    Prérequis : Point clouds, Segmentation

  • 140 XP

    RL & robotique

    • Boucle fermée
    • Réglage

    Prérequis : Analyse

  • 170 XP

    RL & robotique· ◎

    • Téléopération
    • Behavior cloning
    • Diffusion policy

    Prérequis : Imitation learning, Diffusion, Générateur texte vers image

  • 170 XP

    RL & robotique

    • Sim RL
    • Reward shaping
    • Online RL

    Prérequis : Policy gradient / PPO

  • 140 XP

    RL & robotique

    • IMU
    • Odométrie visuelle-inertielle

    Prérequis : Perception robotique

  • 140 XP

    RL & robotique

    • Commande prédictive
    • Optimisation sous contraintes

    Prérequis : PID, Optimisation, Modèle du monde : l'agent qui rêve

  • 140 XP

    RL & robotique

    • Datasets robotiques
    • Offline RL

    Prérequis : Offline RL, Imitation / BC, Modèle du monde : l'agent qui rêve

  • 170 XP

    RL & robotique

    • Filtre de Kalman
    • Filtre particulaire
    • Fusion multi-capteurs

    Prérequis : VIO, LiDAR

  • 170 XP

    RL & robotique· ◎

    • Planification de mouvement
    • RRT
    • Optimisation de trajectoire

    Prérequis : MPC, Recherche & planification

  • 170 XP

    RL & robotique

    • Domain randomization
    • Simulateurs
    • System identification

    Prérequis : Online RL, Imitation / BC, Modèle du monde : l'agent qui rêve

  • 170 XP

    RL & robotique· ◎

    • Visual SLAM
    • Loop closure
    • Pose graph

    Prérequis : Sensor Fusion, Spatial AI

  • 170 XP

    RL & robotique

    • Grasping
    • Cinématique
    • Contact-rich

    Prérequis : Trajectory, Perception robotique

  • 140 XP

    RL & robotique

    • Modèles de dynamique
    • Planification latente

    Prérequis : World Models, Sim2Real, SLAM, Modèle du monde : l'agent qui rêve

  • 140 XP

    Multimodal· ◎

    • Grounding spatial
    • Instructions en langage

    Prérequis : VLM, Perception robotique, VLM pour documents et graphiques

  • 170 XP

    RL & robotique· ◎

    • Vision-Language-Action
    • Action tokens
    • Politiques généralistes

    Prérequis : VLM pour robots, World models robotiques, Offline RL robotique, Manipulation, VLM pour documents et graphiques

  • 140 XP

    RL & robotique

    • Multi-embodiment
    • Apprentissage en monde réel

    Prérequis : VLA, Sim2Real

N13Production et systèmes IACouche transversale · 14 branches · 40 sous-branches
  • 175 XP

    Production & systèmes

    • ETL
    • Orchestration
    • Qualité des données

    Prérequis : SQL, Pandas / Polars, VLM pour documents et graphiques

  • 150 XP

    Production & systèmes

    • Métriques & artefacts
    • Reproductibilité

    Prérequis : Git, Validation, Molécules : du graphe au docking

  • 175 XP

    Production & systèmes

    • CUDA
    • Triton
    • FlashAttention

    Prérequis : Calcul GPU, Transformer, Générateur texte vers image

  • 150 XP

    Production & systèmes

    • Online / offline
    • Point-in-time

    Prérequis : Data pipelines

  • 175 XP

    Production & systèmes

    • Versioning
    • Promotion
    • Lineage

    Prérequis : Experiment tracking, Audit de sûreté d'un LLM

  • 205 XP

    Production & systèmes

    • Data Parallel
    • Model Parallel
    • Tensor Parallel
    • Pipeline Parallel

    Prérequis : CUDA & kernels, Pretraining, LLM maison : du tokenizer au serving

  • 175 XP

    Production & systèmes

    • Quantization
    • Distillation
    • Pruning

    Prérequis : Quantization, Distillation, Générateur texte vers image

  • 175 XP

    Production & systèmes

    • FSDP
    • DeepSpeed ZeRO
    • Mixed precision

    Prérequis : Distributed training, LLM maison : du tokenizer au serving

  • 175 XP

    Production & systèmes

    • Slurm / Kubernetes
    • Interconnect
    • Scheduling

    Prérequis : Distributed training, Linux / Shell, LLM maison : du tokenizer au serving, Molécules : du graphe au docking

  • 175 XP

    Production & systèmes

    • ONNX
    • TensorRT
    • vLLM

    Prérequis : Compression, Serving, LLM maison : du tokenizer au serving, Assistant vocal temps réel

  • 175 XP

    Production & systèmes

    • Mobile & embarqué
    • Microcontrollers
    • On-device

    Prérequis : Compression, Assistant vocal temps réel

  • 175 XP

    Production & systèmes

    • APIs
    • Batch / temps réel
    • A/B testing

    Prérequis : Model registry, Runtimes d'inférence, Agent autonome : outils et mémoire

  • 175 XP

    Production & systèmes

    • Drift
    • Alerting
    • Observabilité

    Prérequis : Model serving, Distribution shift, Agent autonome : outils et mémoire, Audit de sûreté d'un LLM

  • 150 XP

    Production & systèmes

    • Retraining
    • Boucles de feedback

    Prérequis : Monitoring, Feature stores

Les projets comètesQuatre projets d'exception, hors cursus, réservés aux élèves ayant atteint les derniers cercles de l'arbre (N12 et N13).
  • 14 400 XP

    Réservé aux derniers cercles · 40 semaines · 2 000 h de GPU H100

    Conception complète d'un assistant conversationnel incarné, sur le modèle de Grok et de son personnage Ani : pré-entraînement d'un transformeur Mixture-of-Experts, alignement sur une persona, interaction vocale en temps réel et avatar 3D animé. L'ensemble repose exclusivement sur des poids entraînés par l'élève, sans recours à une API externe.

    Verrou technique Maintenir en temps réel la cohérence de la persona, la latence vocale et la synchronisation de l'avatar, sur un modèle pré-entraîné en interne, sans jamais affaiblir les garde-fous.

    Livrables

    • Modèle décodeur MoE de 16 experts top-2 (≈ 7 B paramètres, 1,3 B actifs) : RoPE, GQA, équilibrage de charge sans perte auxiliaire ; pré-entraînement sur 300 B tokens FR/EN dédupliqués
    • Chaîne de post-entraînement : SFT sur la persona, DPO, puis apprentissage par renforcement sur des récompenses de cohérence ; outil de recherche web intégré
    • Interaction vocale full-duplex : ASR en streaming, synthèse vocale expressive sur une voix sous licence, gestion des interruptions
    • Avatar 3D (VRM) rendu en WebGPU : synchronisation labiale par phonèmes, expressions et regard pilotés par le modèle
    • Mémoire long terme chiffrée, épisodique et de profil, consultable et effaçable par l'utilisateur
    • Dispositif de sécurité : vérification d'âge, classifieurs de contenu, détection de dépendance affective, rapport de red teaming publié

    Critères de validation

    1. 01Pré-entraînement en ≤ 2 000 h de GPU H100 à MFU ≥ 40 % ; après post-entraînement : MMLU 5-shot ≥ 40 %, HellaSwag ≥ 60 %, GSM8K ≥ 25 %
    2. 02Persona préférée à ≥ 65 % face à la référence de l'école, en évaluation aveugle par 30 juges sur des conversations de 50 tours ; rappel mémoire ≥ 90 % après 30 sessions
    3. 03Temps réel sur un seul GPU : latence de réponse vocale p95 ≤ 600 ms, décalage audio-lèvres ≤ 45 ms, avatar ≥ 60 images/s sur ordinateur portable
    4. 04Sécurité, sur 2 000 attaques cachées : taux de contournement ≤ 2 %, aucun contenu interdit impliquant un mineur, 100 % des signaux de détresse redirigés

    Branches mobilisées : Mixture of Experts, Pretraining, Post-training, Preference learning, Inférence, Serving, Quantization, ASR, TTS, Speech Foundation Models, Neural Rendering, Memory, Tool calling, AI Safety, FSDP / DeepSpeed, CUDA & kernels

  • 11 520 XP

    Réservé aux derniers cercles · 32 semaines · 400 h de GPU A100 et un serveur basse latence

    Conception d'un système de trading algorithmique de bout en bout, opérant en continu sur les crypto-actifs et les marchés actions : acquisition des données de marché, recherche de signaux, exécution, gestion du risque et audit. La performance est validée hors échantillon, puis sur 90 jours d'exploitation réelle sur testnet et compte de démonstration.

    Verrou technique Établir un signal dont la rentabilité résiste aux coûts de transaction, au slippage et à la correction pour tests multiples, puis la confirmer sur des données jamais observées.

    Livrables

    • Pipeline de données tick par tick : carnets d'ordres L2 de trois plateformes crypto et flux actions, horodatage à la microseconde, stockage colonnaire rejouable
    • Backtester événementiel : position dans la file d'attente, frais, slippage, latence, financement des contrats perpétuels ; walk-forward purgé avec embargo
    • Recherche de signaux : transformeur sur carnet d'ordres, agent LLM d'analyse des actualités et des conférences de résultats, détection de régimes ; allocation par apprentissage par renforcement
    • Exécution par apprentissage par renforcement, évaluée face à TWAP et VWAP ; moteur de risque : VaR, CVaR, limites d'exposition, coupe-circuit
    • Exploitation de 90 jours sur testnet et compte de démonstration, sans capital réel, avec journal d'audit signé de chaque décision

    Critères de validation

    1. 01Walk-forward hors échantillon sur trois ans, coûts inclus : ratio de Sharpe ≥ 2, drawdown maximal ≤ 12 % ; Deflated Sharpe significatif au seuil de 5 % sur l'ensemble des stratégies testées
    2. 02Exploitation réelle de 90 jours : ratio de Sharpe ≥ 1,5, drawdown maximal ≤ 10 %, écart au backtest de la même période ≤ 30 %
    3. 03Latence tick-to-order p99 ≤ 5 ms ; coupe-circuit déclenché en ≤ 50 ms sur les 12 scénarios de crise rejoués par l'école
    4. 04Absence de biais d'anticipation : la CI recalcule chaque signal avec les données futures masquées ; tout écart est éliminatoire

    Branches mobilisées : Forecasting, Anomalies temporelles, Temporal DL, Time-Series Foundation Models, Boosting, Distribution shift, Uncertainty Quantification, Policy gradient / PPO, Offline RL, RAG, Autonomous systems, Data pipelines, Runtimes d'inférence, Monitoring

  • 12 960 XP

    Réservé aux derniers cercles · 36 semaines · 3 000 h de GPU H100

    Réalisation d'un jeu vidéo dont chaque image est générée en temps réel par un modèle du monde conditionné aux actions du joueur, sans moteur graphique ni logique de jeu programmée. Le projet couvre la collecte de données par agents, l'entraînement d'un diffusion transformer, la mémoire du monde et le déploiement interactif.

    Verrou technique Préserver la cohérence spatiale et temporelle du monde pendant plusieurs minutes à 24 images par seconde, malgré l'accumulation d'erreurs propre à la génération autorégressive.

    Livrables

    • Jeu de données de 50 M d'images issues d'un jeu open source, collectées par des agents d'apprentissage par renforcement, avec actions et états annotés
    • Autoencodeur vidéo latent (compression ≥ 16×) et diffusion transformer causal conditionné aux actions, distillé en une à quatre étapes
    • Mémoire du monde : carte latente persistante et rappel d'images clés, garantissant la stabilité des lieux revisités
    • Client jouable dans le navigateur, diffusé en WebRTC depuis un seul GPU
    • Rapport technique et démonstration publique : ablations, échecs documentés, coûts

    Critères de validation

    1. 01Temps réel : ≥ 24 images/s en 320 × 240 sur une RTX 4090, latence action-image ≤ 80 ms
    2. 02Fidélité sur 64 images rejouées avec les actions du moteur de référence : PSNR ≥ 22 dB, FVD ≤ 200
    3. 03Persistance : lieu revisité après 60 s à LPIPS ≤ 0,3 de la première visite ; cinq minutes de session sans dérive visible
    4. 04Évaluation humaine : 40 joueurs distinguent séquences réelles et générées de 3 s avec une exactitude ≤ 60 %

    Branches mobilisées : World Models, Video Foundation Models, Diffusion Transformer, Flow Matching, Latent Diffusion, Distillation, Model-Based RL, Policy gradient / PPO, Vidéo, Neural Rendering, Quantization, Runtimes d'inférence, GPU clusters, FSDP / DeepSpeed

  • 15 840 XP

    Réservé aux derniers cercles · 44 semaines · 4 000 h de GPU H100 et un banc robotique

    Développement d'un humanoïde capable d'exécuter des instructions en langage naturel dans un environnement domestique inconnu : rangement, chargement d'un lave-vaisselle, manipulation d'objets déformables. Un modèle vision-langage-action unique relie la perception aux 30 actionneurs ; il est entraîné en simulation, par téléopération et sur ses propres échecs, puis validé sur le banc robotique de l'école.

    Verrou technique Transférer de la simulation au réel un contrôle corps entier (équilibre, préhension dextre, objets déformables) dans un environnement jamais vu.

    Livrables

    • Contrôleur d'équilibre et de locomotion corps entier, entraîné par apprentissage par renforcement massivement parallèle (4 096 environnements GPU) avec randomisation de domaine
    • 500 h de démonstrations : téléopération en réalité virtuelle et vidéos humaines reciblées sur la cinématique du robot
    • Modèle VLA : backbone vision-langage et tête d'action par flow matching à 50 Hz, décomposition en sous-tâches, reprise sur erreur
    • Perception : SLAM visuel-inertiel, segmentation 3D à vocabulaire ouvert, estimation de pose des objets et des articulations
    • Déploiement embarqué quantifié sur module de type Jetson ; sécurité : zones d'exclusion, arrêt d'urgence, limitation de couple

    Critères de validation

    1. 01Simulation, trois cuisines inédites × 50 instructions : ≥ 80 % de réussite, dont ≥ 60 % sur les tâches longues (≥ 10 sous-tâches)
    2. 02Banc réel de l'école : ≥ 60 % de réussite sur 20 instructions inédites, aucune chute, aucun contact supérieur à 50 N
    3. 03Boucle embarquée perception-action ≤ 100 ms ; ≥ 2 h d'autonomie sans intervention humaine
    4. 04Robustesse : ≥ 70 % des performances nominales sous variation d'éclairage, déplacement d'objets et perturbations de 30 N

    Branches mobilisées : Robot généraliste, VLA, VLM pour robots, Manipulation, Sim2Real, World models robotiques, Online RL, Imitation / BC, MPC, SLAM, VIO, Sensor Fusion, Perception robotique, Edge inference, Compression