Roadmap : devenir ingénieur IA en 6 mois, étape par étape

La plupart des « roadmaps IA » qui circulent sont des listes de sujets sans hiérarchie ni critère d'arrêt : on ne sait jamais quand une étape est terminée. Celle-ci est différente. Chaque mois se conclut par un livrable vérifiable — quelque chose que vous pouvez montrer. Si vous ne l'avez pas produit, l'étape n'est pas terminée, quelle que soit la quantité de cours suivis.

Le rythme visé : 10 à 12 heures par semaine, réparties sur cinq jours. C'est la régularité qui compte, pas l'intensité : deux heures cinq fois par semaine battent largement dix heures le samedi.

Mois 1 — Python et la manipulation de données

Aucun raccourci possible ici. Tout le reste repose sur cette base.

À apprendre

• Syntaxe Python : variables, conditions, boucles, fonctions, gestion des erreurs.
• Structures de données : listes, dictionnaires, ensembles, compréhensions.
• pandas : charger, filtrer, grouper, fusionner, gérer les valeurs manquantes.
• matplotlib et seaborn : histogrammes, nuages de points, matrices de corrélation.
• Git et GitHub : commit, push, branches. Dès la première semaine, pas plus tard.

Livrable du mois

Une analyse exploratoire complète d'un jeu de données réel, publiée sur GitHub, avec un README qui répond à trois questions précises que vous vous êtes posées au départ.

Détail du parcours dans notre guide Python pour débutants.

Mois 2 — Statistiques appliquées et SQL

Le mois le plus négligé, et celui qui distingue le plus nettement les candidats en entretien.

À apprendre

• Statistiques descriptives : moyenne, médiane, écart-type, quartiles, corrélation.
• Distributions, échantillonnage, notion d'intervalle de confiance.
• Tests d'hypothèse : à quoi sert une p-valeur, et ce qu'elle ne dit pas.
• SQL : SELECT, jointures, GROUP BY, sous-requêtes, fonctions de fenêtrage.

Livrable du mois

Une base de données que vous avez conçue et remplie, interrogée par une dizaine de requêtes non triviales, avec les résultats commentés.

Mois 3 — Machine Learning supervisé

À apprendre

• Régression linéaire et logistique — à comprendre en profondeur, pas seulement à appeler.
• Arbres de décision, Random Forest, gradient boosting.
• Méthodologie : séparation train/validation/test, validation croisée, surapprentissage.
• Métriques : accuracy, précision, rappel, F1, ROC-AUC, RMSE — et surtout comment choisir.
• Préparation des données : encodage, normalisation, gestion du déséquilibre des classes.

Livrable du mois

Un modèle de classification sur un problème réel, avec comparaison d'au moins trois algorithmes, justification de la métrique retenue et analyse des erreurs du modèle.

Voir le détail dans apprendre le Machine Learning en Algérie.

Mois 4 — Deep Learning

À apprendre

• Le neurone artificiel, les couches, les fonctions d'activation.
• Rétropropagation et descente de gradient — au moins conceptuellement.
• PyTorch : tenseurs, boucle d'entraînement, chargement de données.
• Réseaux convolutifs pour l'image, notion de Transformer pour le texte.
• Transfer learning — la technique que vous utiliserez réellement dans 90 % des cas.
• Régularisation : dropout, augmentation de données, arrêt anticipé.

Livrable du mois

Un classifieur d'images entraîné sur des données que vous avez collectées vous-même — pas un jeu de données de tutoriel. Voir les idées dans nos 10 projets pour débutants.

Mois 5 — Spécialisation et mise en production

Le mois qui transforme un étudiant en profil employable.

Choisissez une spécialisation

• Vision par ordinateur — détection d'objets, segmentation. Voir les applications concrètes.
• Traitement du langage et LLM — embeddings, RAG, ajustement de modèles. Voir comment fonctionnent les LLM.
• Ingénierie des données — pipelines, orchestration, cloud.

Et surtout : apprenez à déployer

• Exposer un modèle via une API avec FastAPI.
• Conteneuriser avec Docker.
• Déployer sur un service d'hébergement gratuit ou peu coûteux.
• Journalisation et suivi des performances dans le temps.

Livrable du mois

Une application accessible par une URL publique, que n'importe qui peut essayer. C'est le livrable qui a le plus d'impact de toute la roadmap.

Mois 6 — Le projet de référence et la mise sur le marché

Le projet de référence

Un projet unique, ambitieux, qui combine tout ce que vous avez appris et raconte quelque chose sur vous. Idéalement lié à votre domaine d'origine ou à un problème local concret. Il doit inclure : collecte de données, nettoyage, modélisation, évaluation, déploiement et documentation.

C'est ce projet dont vous parlerez pendant 20 minutes en entretien. Consacrez-lui trois semaines complètes.

La mise sur le marché

• Un CV d'une page, orienté projets et résultats, pas listes de technologies.
• Un profil LinkedIn avec les projets en avant et un titre explicite.
• Un GitHub propre : dépôts épinglés, README soignés, historique de commits régulier.
• Des candidatures, y compris pour des postes où vous ne cochez que 60 % des critères. C'est la norme, pas une audace.

Les cinq erreurs qui font échouer une roadmap

1. Sauter le mois 2. Les statistiques et SQL sont moins gratifiants que le Deep Learning, mais ce sont eux qu'on teste en entretien.
2. Ne pas produire les livrables. Une roadmap suivie sans livrable est une collection de cours, pas un parcours.
3. Changer de plan tous les mois. Chaque nouvelle technologie à la mode fait perdre trois semaines. Terminez le plan, changez ensuite.
4. Travailler exclusivement seul. Sans regard extérieur sur votre code, vos erreurs se figent en habitudes.
5. Attendre de « se sentir prêt » pour candidater. Ce moment n'arrive jamais. Postulez dès le mois 6.

Et après les six mois ?

Vous ne serez pas ingénieur IA senior — personne ne l'est en six mois. Vous serez capable de tenir un poste junior, de comprendre ce qu'on vous demande et d'apprendre vite en contexte professionnel. C'est exactement ce qu'un recruteur attend d'un profil débutant.

La suite se joue en poste : profondeur mathématique, architectures avancées, systèmes distribués, expertise métier. Mais cette suite se construit beaucoup plus vite quand elle est payée.

Ce qu'il faut retenir

Six mois, six livrables : une analyse exploratoire, une base de données interrogée, un modèle de classification, un classifieur d'images, une application déployée, un projet de référence. Si vous avez ces six éléments sur votre GitHub, vous êtes devant la grande majorité des candidats — diplômés compris.

Nos formations suivent exactement cette progression, du Python au LLM, avec des séances en direct et des projets corrigés à chaque étape.