> git log --author="participants"
Ce que les participants ont trouvé — et ce qu'ils n'ont pas trouvé.
Des retours non filtrés sur les trois parcours. Les points positifs et les points moins pratiques.
← Retour à l'accueil> grep -r "participants" ./retours/
Retours de participants
J'ai suivi le parcours Fondements après avoir essayé deux tutoriels en ligne qui promettaient de faire de moi un praticien en douze heures. La différence principale : ici, on écrit vraiment du code dès la première semaine. La descente de gradient de la semaine sept m'a pris quatre heures supplémentaires par rapport au temps annoncé — ce n'est pas une critique, c'est que j'avais des lacunes en algèbre que le parcours a mises en lumière.
Le parcours Construction de modèles est le premier que j'ai suivi où la section sur la fuite de données n'est pas une slide de cinq minutes. On y passe une semaine entière, avec des exemples de cas réels où le modèle semblait très bon et ne l'était pas. Le retour écrit sur ma troisième soumission était plus utile que tout ce que j'avais eu dans des cours en présentiel. Dix heures par semaine est une estimation juste — il ne faut pas sous-estimer.
J'avais une expérience en ingénierie logicielle mais aucune en machine learning. L'exercice d'entrée du parcours Modélisation a confirmé que mon niveau était suffisant. Les deux mois de service sur le cluster dans le parcours Systèmes sont ce qui m'a le plus manqué dans tous les autres cours que j'avais vus : opérer un service réel, pas lire un cours sur ce que ça devrait être.
Je cherchais une formation en français qui n'était pas une traduction automatique de ressources anglophones. Le contenu de Kernelio est rédigé directement en français — ça se voit dans la qualité des exemples et dans la terminologie qui est cohérente. J'ai trouvé les sessions en direct utiles surtout à partir de la semaine trois, quand les exercices commencent à devenir moins guidés.
Le module sur l'analyse d'erreurs dans le parcours Modélisation a changé ma façon de regarder les résultats de mes propres projets académiques. Je savais entraîner un modèle, mais je n'avais jamais vraiment structuré la question de pourquoi il échoue sur certains sous-groupes. Le rapport final m'a demandé plus de temps que prévu, mais c'est un exercice qui se voit dans la qualité du travail rendu.
J'apprécie que le syllabus commence par dire ce que le parcours ne couvre pas. J'ai choisi le parcours Fondements en sachant précisément ce que je n'allais pas apprendre à l'issue. Ça évite la déception de découvrir les limites à la fin. Le forum est lu par de vraies personnes — j'ai eu une réponse détaillée à une question assez technique dans la journée.
> cat ./etudes-de-cas/*.md
Parcours de participants en détail
Situation de départ
Développeur Python avec cinq ans d'expérience en backend. Connaît les structures de données, les API, la gestion de bases de données. N'avait jamais écrit de code de machine learning.
Parcours suivi
Fondements (7 semaines), puis Construction de modèles (16 semaines). L'exercice d'entrée du deuxième parcours a confirmé le niveau suffisant sans nécessiter de temps supplémentaire.
Résultat après les deux parcours
Capable de construire, évaluer et documenter un pipeline de modélisation complet. A soumis un rapport reproductible sur la détection d'anomalies dans des séries temporelles. Ne se considère pas encore prêt à déployer en production — ce qu'il note comme une information utile, pas comme une lacune cachée.
"Le fait que le syllabus dise dès la première page ce qu'il ne couvre pas m'a permis de décider sereinement de m'inscrire au parcours Systèmes après."
Situation de départ
Analyste dans un cabinet conseil genevois. Maîtrisait SQL, Excel avancé, quelques notions de Python. Avait suivi un cours en ligne de machine learning mais n'avait jamais mis un modèle en production.
Parcours suivi
Les trois parcours consécutifs sur dix-huit mois. A travaillé quinze heures par semaine pendant le parcours Systèmes, au-dessus de l'estimation basse, en raison d'une infrastructure de staging plus complexe que prévu.
Résultat après les trois parcours
Opère un service de scoring de crédit sur le cluster Kernelio. A géré deux incidents simulés et rédigé les post-mortems correspondants. Le record de complétion mentionne les systèmes construits par nom.
"Les deux incidents simulés m'ont appris plus sur la gestion de systèmes en production que les douze premières semaines du parcours — mais les douze semaines étaient nécessaires pour comprendre ce qui se passait pendant les incidents."
Situation de départ
Statisticienne dans un laboratoire de recherche. Connaissait R et SPSS. Voulait ajouter Python et les outils de machine learning modernes sans reprendre des études de longue durée.
Parcours suivi
Fondements puis Construction de modèles. A sauté la semaine un des Fondements (Python connu) avec l'accord du formateur qui a adapté les exercices à partir de la semaine deux.
Résultat
Utilise PyTorch et scikit-learn dans ses projets de recherche. Le module d'analyse d'erreurs du parcours Modélisation a directement enrichi sa méthode de validation dans ses publications.
"J'ai posé une question sur la différence entre validation croisée et test set en contexte temporel. La réponse du formateur sur le forum était suffisamment précise pour que je la cite dans une note de bas de page."
> uptime --kernelio
Quelques chiffres
> next.step()
Une question avant de vous décider ?
Les participants qui ont posé leurs questions avant de s'inscrire ont généralement une meilleure idée de ce qu'ils vont trouver.
Nous écrire