Apprendre le machine learning seul, c'est possible. Mais la plupart des gens abandonnent — non par manque de capacité, mais par manque de structure et de régularité. C'est exactement le problème que le challenge #100JoursDeML résout : un plan jour par jour, des leçons vidéo offertes, et une communauté pour tenir la distance.
Cette page est votre point de départ : le programme complet, organisé en 10 modules progressifs. Chaque module renvoie vers un article détaillé avec toutes les leçons vidéo intégrées.
📥 La checklist offerte du challenge
Recevez le PDF avec les 100 leçons à cocher et suivez votre progression jour après jour.
La méthode du challenge
Le principe tient en trois règles :
- Une heure par jour minimum, tous les jours. La régularité bat l'intensité : une heure quotidienne pendant 100 jours vaut mieux que des week-ends entiers espacés de trois semaines.
- Suivre l'ordre du programme. Chaque module s'appuie sur le précédent — les statistiques avant les modèles, la préparation des données avant l'entraînement.
- Partager sa progression publiquement avec le hashtag #100JoursDeML. L'engagement public crée la responsabilité, attire les retours d'expérience… et parfois les recruteurs.
💡 À retenir : des participants des éditions précédentes ont reçu des propositions d'entretien avant même le jour 100, simplement parce qu'un recruteur suivait leur progression sur LinkedIn.
Le programme en 10 modules
Module 1 — Démarrer : Python et les outils du data scientist Comprendre ce qu'est vraiment le machine learning, installer son environnement, et maîtriser le trio NumPy, Pandas, Matplotlib/Seaborn.
Module 2 — Les statistiques indispensables Types de variables, tendance centrale, dispersion, lois de probabilité, statistiques bivariées : le socle sans lequel on applique des modèles sans les comprendre.
Module 3 — Les méthodes factorielles : ACP, AFC, ACM Réduire la dimension de vos données et révéler leur structure cachée, théorie et pratique Python.
Module 4 — Préparer ses données : le preprocessing Normalisation, encodage, valeurs manquantes, outliers, sélection de variables : 80 % du travail réel d'un data scientist.
Module 5 — Les fondamentaux de l'apprentissage supervisé Fonctions de coût, métriques, overfitting, compromis biais-variance, validation croisée : les concepts qui font la différence en entretien.
Module 6 — Régressions linéaire et logistique Les deux modèles fondamentaux, leurs hypothèses, leurs pièges, et les régressions pénalisées (Ridge, Lasso, Elastic Net).
Module 7 — Arbres, forêts aléatoires et ensemble learning Des arbres de décision à XGBoost, LightGBM et CatBoost : les modèles qui gagnent les compétitions.
Module 8 — KNN et SVM Deux classiques incontournables : les plus proches voisins et les machines à vecteurs de support.
Module 9 — L'apprentissage non supervisé : le clustering K-means, classification hiérarchique, DBSCAN : trouver des groupes dans des données sans étiquettes.
Module 10 — Les séries temporelles Stationnarité, ARIMA, VAR, VECM, GARCH : prédire l'avenir à partir du passé, jusqu'à l'analyse des cours de bourse.
Et pour la suite
Le challenge inclut aussi des jalons carrière : comment trouver son emploi de data scientist et les compétences pour rester indispensable à l'ère de l'IA. Une fois les 100 jours terminés, le challenge 30 Jours de Deep Learning prend le relais.
🚀 Conseil : ne vous contentez pas de regarder. Codez chaque leçon, publiez vos notebooks, et construisez au fil du challenge un portfolio qui parlera pour vous. Le meilleur moment pour commencer était hier — le deuxième meilleur moment, c'est aujourd'hui.
La playlist complète des 100 leçons est disponible ici.
Questions fréquentes
Faut-il savoir coder pour commencer le challenge ?
Non. Le Module 1 part de zéro : installation de Python et prise en main des outils. Une familiarité avec la logique de base (variables, boucles) aide, mais s'acquiert en route.
Faut-il être fort en mathématiques ?
Il faut être à l'aise avec les notions de lycée et accepter d'apprendre le reste au fil du parcours. Le Module 2 couvre les statistiques nécessaires, et chaque concept mathématique est introduit au moment où on en a besoin.
Combien de temps faut-il y consacrer ?
Une heure par jour minimum, pendant 100 jours. C'est la régularité qui fait la différence, pas les sessions marathon.
Le challenge est-il payant ?
Non — les 100 leçons vidéo sont offertes, en accès libre sur YouTube. Pour un accompagnement structuré avec projets encadrés, les formations de LDA Academy prennent le relais — parlons-en.
Que faire après les 100 jours ?
Le challenge 30 Jours de Deep Learning, la construction de votre portfolio, et la préparation aux entretiens — voir aussi le métier de Quantitative UX Researcher chez Google pour élargir vos horizons de carrière.
