Ce que les participants en pensent
Retours honnêtes sur les trois parcours — avec les points positifs et les points de vigilance. Les notes ne sont pas toutes de cinq étoiles.
Retour à l'accueilAvis des participants
Témoignages collectés à l'issue de sessions terminées entre juin et juillet 2025.
Camille Ferraris
Lausanne · analyste données
J'utilisais pandas depuis deux ans sans avoir jamais écrit un produit scalaire à la main. Le parcours m'a forcée à combler ce vide. La montée en charge des semaines 7-8 sur la descente de gradient est réelle — prévoir le temps annoncé, pas moins.
Juin 2025
Ahmed Khelifi
Genève · développeur backend
Le fait de mener un projet complet plutôt que de faire des exercices artificiels change vraiment la donne. J'ai buté sur la conception de l'évaluation pendant deux semaines — c'est là que le retour écrit du formateur a été utile. Le rythme de 10-12 h/sem est honnête, pas sous-estimé.
Juillet 2025
Margaux Renaud
Zurich · ingénieure logiciel
Ce que j'ai apprécié, c'est que le programme ne s'arrête pas au modèle qui tourne sur un notebook. La partie monitoring et documentation d'équipe — que personne ne couvre jamais — est traitée sérieusement ici. La soutenance d'architecture est exigeante, c'est bien.
Juin 2025
Pierre Bonnet
Berne · consultant
L'auto-évaluation préalable m'a vraiment aidé à décider si c'était le bon niveau. J'avais envisagé de commencer directement au Studio, mais après l'avoir lue, j'ai compris que mon algèbre linéaire était trop rouillée. Le Fondements a comblé ça. Le forum est actif et les réponses sont utiles.
Juillet 2025
Samira Nakamura
Genève · chercheuse associée
J'avais suivi plusieurs MOOCs sur le ML avant de m'inscrire ici. La différence c'est le projet individuel : devoir choisir ses données, expliquer pourquoi on a décidé de ne pas utiliser tel modèle, défendre ses résultats — c'est autre chose que regarder des vidéos. Formateurs disponibles et précis dans leurs retours.
Juin 2025
Lucas Thiébaut
Lausanne · ingénieur données
Le travail sur cluster contre un service réaliste est ce qui manque à beaucoup de formations. On est confronté aux vrais problèmes : latence, coût de calcul, dérive silencieuse. Le rythme de 12-15 h/sem demande une organisation stricte — c'est clairement indiqué avant l'inscription et c'est vrai.
Juillet 2025
Parcours détaillés
Trois récits de progression sur des profils différents.
Camille Ferraris — Lausanne
Analyste données, 3 ans d'expérience · Parcours T01 puis T02
[situation initiale]
Utilisait Python et pandas pour du traitement de données, mais n'avait pas de base mathématique solide en algèbre linéaire. Souhaitait comprendre les modèles qu'elle appliquait plutôt que de les utiliser comme des boîtes noires.
[déroulement]
A suivi le Fondements en soirée pendant dix semaines, en parallèle de son emploi. Puis le Studio ML six mois plus tard. Son projet de Studio portait sur la prévision de charge dans un réseau de distribution, un sujet proche de son travail quotidien.
[résultat]
Peut maintenant lire et interpréter du code PyTorch, choisir entre plusieurs architectures pour un problème donné et expliquer ses décisions à des collègues non spécialistes. Elle souligne que le travail personnel demandé était plus important que prévu — conforme aux estimations publiées.
Margaux Renaud — Zurich
Ingénieure logiciel senior, 7 ans d'expérience · Parcours T03
[situation initiale]
Expérience solide en développement logiciel, avait suivi le Studio ML l'année précédente. Prenait en charge des modèles ML déployés par des collègues data scientists, mais manquait de méthodes pour les maintenir dans le temps.
[déroulement]
A suivi l'Intensive Production sur vingt-quatre semaines, en réduisant légèrement ses missions parallèles. Les revues de système avec le formateur ont été les moments les plus denses — préparer la soutenance d'architecture a demandé plusieurs semaines.
[résultat]
A conçu et documenté un pipeline de monitoring de dérive pour son équipe pendant le parcours. La documentation produite dans le cadre de la soutenance est maintenant utilisée comme référence interne. Le volume de travail hebdomadaire est conforme aux 12-15 h annoncées, parfois un peu plus.
Pierre Bonnet — Berne
Consultant en transformation numérique · Parcours T01
[situation initiale]
Sans expérience de programmation récente, avait fait quelques tutoriels Python en ligne. Voulait acquérir une compréhension réelle des mécanismes de l'apprentissage automatique pour mieux cadrer les projets IA de ses clients.
[déroulement]
A d'abord hésité entre le Fondements et un MOOC. A lu l'auto-évaluation des prérequis, vérifié son niveau d'algèbre et décidé de commencer. Les deux premières semaines ont été les plus difficiles ; le rythme s'est stabilisé ensuite.
[résultat]
Ne se considère pas développeur ML à l'issue du Fondements, mais dit pouvoir lire du code Python numérique et comprendre ce que font les paramètres d'un modèle. Envisage le Studio ML pour la session de début 2026.
Repères de l'école
Quelques données issues du suivi des sessions depuis 2021.
4.4
[note moyenne]
sur 5 · toutes sessions confondues
3
[formateurs]
praticiens avec expérience terrain
2021
[depuis]
première session Fondements
FR
[langue]
intégralement en français
Coordonnées
Téléphone
+41 21 658 30 94Adresse
Rue de la Corraterie 24
1204 Genève
Disponibilité
Lun – Ven
09h00 – 18h00
Lire le syllabus, puis écrire
L'auto-évaluation des prérequis est disponible sur la page Parcours. Si vous estimez les remplir, contactez-nous pour connaître la prochaine date d'ouverture.