Votre feuille de route pour apprendre l'IA : 46 sujets, dans l'ordre, un par semaine

Si vous voulez apprendre l’IA en 2026 et que vous ne savez pas par où commencer, cette page est pour vous.

Internet regorge de conseils sur l’IA. La plupart sont soit :

1. Un argumentaire de vente pour une formation à 2000 $
2. Une liste de 100 liens sans aucun ordre
3. Un manuel de niveau doctorat qui vous fait peur dès la première page
4. Une vidéo dithyrambique sur l’AGI qui ne vous apprend rien de pratique

Vous n’avez besoin de rien de tout ça. Vous avez besoin d’une séquence. Vous devez savoir quoi apprendre en premier, ce qui s’appuie sur quoi, ce que vous pouvez sauter, et jusqu’où aller en profondeur.

Cette feuille de route fait exactement cela. C’est l’ordre dans lequel je recommande d’apprendre l’IA, depuis le niveau débutant complet jusqu’à celui qui sait construire et livrer de vrais produits d’IA. Chaque sujet fait l’objet d’un article qui sera publié ici, un par semaine. Mettez cette page en favori. Revenez-y. Les liens deviendront actifs au fur et à mesure de la publication.

Aucun prérequis supposé. Pas de diplôme en informatique requis. Pas de panique mathématique.

Comment cela fonctionne

Voici les règles de base avant de commencer :

1. Suivez les sujets dans l’ordre. Chacun s’appuie sur le précédent. Sauter directement aux LLM la première semaine, c’est comme essayer de construire une maison en commençant par le toit.
2. Un sujet par semaine, c’est le rythme. Cela vous donne le temps de lire, de coder et de construire quelque chose de concret. Lire des tutoriels en boulimie n’est pas apprendre.
3. Faites l’exercice pratique de chaque article. Lire sur les réseaux de neurones sans en écrire un, c’est comme lire sur la natation sans jamais se mouiller.
4. Vous n’êtes pas obligé d’aller jusqu’au bout. Si vous voulez juste être alphabétisé en IA, arrêtez après la phase 3. Si vous voulez construire des applications LLM, allez jusqu’à la phase 9. C’est vous qui décidez.
5. Longueur totale de la série complète : environ 107 000 mots. Cela paraît long, mais c’est plus court qu’un manuel moyen, et chaque article se suffit à lui-même.

Les 12 phases en un coup d’œil

Il y a 12 phases, regroupées du débutant total au praticien prêt pour la production. Voici la vue d’ensemble avant de plonger.

Phase

Domaine

Qui en a besoin

Articles

0

État d’esprit et orientation

Tout le monde

3

1

Prérequis (Python, maths, bibliothèques)

Tous ceux qui veulent construire

4

2

Données (collecte, nettoyage, AED)

Tous ceux qui veulent construire

5

3

Apprentissage automatique classique

Tout le monde

6

4

Fondamentaux du deep learning

Ceux qui vont au‑delà du ML classique

5

5

Architectures neuronales fondamentales (CNN, RNN, Transformers)

Ceux qui construisent avec du DL

3

6

TAL et LLM

La plupart des gens en 2026

5

7

Autres domaines du DL (vision, modèles génératifs, parole, RL)

Choisissez ceux qui vous concernent

4

8

Agents IA et applications réelles

Les constructeurs

3

9

MLOps et production

Ceux qui livrent des produits réels

4

10

IA responsable et vision d’ensemble

Tout le monde

4

11

Se tenir à jour et se spécialiser

Croissance à long terme

5

Vous n’êtes pas obligé de faire chaque sujet des phases 7 à 11. Après la phase 6, vous pouvez vous orienter. Mais les phases 0 à 6 sont le cœur.

Les 3 projets jalons

À trois moments du parcours, vous allez construire un vrai projet qui rassemble tout ce que vous avez appris jusque‑là. Ce sont vos pièces de portfolio.

Jalon

Quand vous l’atteignez

Ce que vous construisez

Jalon 1

Fin de la phase 3

Pipeline ML tabulaire complet (nettoyage des données + AED + modèle classique) – par exemple, prédicteur de survie du Titanic ou modèle de prix immobilier

Jalon 2

Fin de la phase 5

Un réseau de neurones entraîné de zéro en PyTorch – soit un classifieur d’images (CNN), soit un classifieur de texte

Jalon 3

Fin de la phase 9

Un chatbot RAG propulsé par LLM déployé, avec un backend FastAPI et une interface utilisateur simple, en ligne sur Internet

Si vous terminez ces trois projets, vous n’êtes plus « en train d’apprendre l’IA ». Vous savez faire de l’IA.

Phase par phase, article par article

Voici la liste complète. Chaque article sera lié ici quand il sera publié. Mettez cette page en favori et revenez chaque semaine.

Phase 0 : État d’esprit et orientation (Commencez ici)

Semaines 1 à 3. Tout le monde commence ici, sans exception. C’est là qu’on tue le battage médiatique, qu’on définit les termes et qu’on fixe les attentes.

1. Semaine 1 : IA, ML, DL, IA générative, AGI : enfin un guide qui les distingue – en ligne maintenant
2. Semaine 2 : [Faut‑il apprendre l’IA en 2026 ? La réponse honnête, selon qui vous êtes] [à venir]
3. Semaine 3 : [Comment apprendre l’IA sans perdre un an dans le gouffre des tutoriels] [à venir]

Phase 1 : Prérequis (Les fondations dont vous avez réellement besoin)

Semaines 4 à 7. Vous n’apprendrez pas l’IA sans Python. Mais vous n’avez pas besoin de tout Python. Nous couvrirons exactement le sous‑ensemble dont vous avez besoin, les maths que vous utiliserez vraiment, et les trois bibliothèques qui débloquent tout.

1. Semaine 4 : Votre première semaine de Python : le seul sous‑ensemble nécessaire avant d’aborder l’IA [à venir]
2. Semaine 5 : NumPy, Pandas, Matplotlib : les trois bibliothèques qui débloquent tous les projets d’IA [à venir]
3. Semaine 6 : Les maths dont vous avez vraiment besoin pour l’IA – expliquées comme si vous n’aviez jamais suivi de cours de calcul [à venir]
4. Semaine 7 : Avant de choisir un modèle, apprenez à poser la bonne question [à venir]

Phase 2 : Les données – le carburant de l’IA

Semaines 8 à 12. 80 % du travail en IA est du travail sur les données. C’est la phase que la plupart des cours sautent, et c’est pour ça que leurs élèves échouent sur des projets réels.

1. Semaine 8 : Les données sont le nouveau pétrole – mais la plupart des débutants ne savent pas à quoi elles ressemblent vraiment [à venir]
2. Semaine 9 : Où trouver de vraies données pour vos projets d’IA (sans payer un centime) [à venir]
3. Semaine 10 : Pourquoi le nettoyage des données prend 80 % du temps d’un ingénieur IA – et comment bien le faire [à venir]
4. Semaine 11 : Analyse exploratoire des données : l’étape qui vous dit si votre projet va même fonctionner [à venir]
5. Semaine 12 : Ingénierie des caractéristiques : l’art de transformer des données brutes en quelque chose qu’un modèle peut vraiment apprendre [à venir]

Phase 3 : Apprentissage automatique classique

Semaines 13 à 18. Avant le deep learning, il y avait le ML, et la plupart des IA de production dans le monde réel sont encore du ML classique. Vous ne pouvez pas sauter cette phase. Si vous le faites, vous ne comprendrez pas pourquoi le deep learning est spécial, ni quand ne pas l’utiliser.

1. Semaine 13 : Comment une machine « apprend‑elle » vraiment ? L’idée centrale derrière chaque modèle d’IA [à venir]
2. Semaine 14 : Votre premier modèle d’apprentissage automatique : la régression linéaire, expliquée ligne par ligne [à venir]
3. Semaine 15 : Classer le monde : la régression logistique et les métriques qui ne mentent pas [à venir]
4. Semaine 16 : La boîte à outils du ML classique : 5 algorithmes que tout praticien de l’IA devrait connaître par cœur [à venir]
5. Semaine 17 : Pourquoi les modèles qui votent ensemble gagnent ensemble : forêts aléatoires, XGBoost et la puissance des ensembles [à venir]
6. Semaine 18 : Biais, variance, et pourquoi votre modèle triche secrètement sur l’ensemble de test [à venir]

🏁 Moment du projet jalon 1. Construisez un pipeline ML tabulaire complet de bout en bout.

Phase 4 : Fondamentaux du deep learning

Semaines 19 à 23. Maintenant, on plonge en profondeur. Nous commencerons par un seul neurone, construirons jusqu’aux réseaux de neurones complets, et apprendrons pourquoi ils fonctionnent, pourquoi ils échouent, et comment les faire s’entraîner correctement.

1. Semaine 19 : Pourquoi le deep learning a tout changé – et quand utiliser encore le ML classique à la place [à venir]
2. Semaine 20 : Les réseaux de neurones expliqués sans une seule équation (enfin, presque) [à venir]
3. Semaine 21 : La rétropropagation : l’astuce de calcul qui enseigne à chaque réseau de neurones [à venir]
4. Semaine 22 : Construisez votre premier réseau de neurones ce week‑end – en 50 lignes de PyTorch [à venir]
5. Semaine 23 : Pourquoi votre réseau de neurones ne s’entraîne pas – et les 7 astuces qui réparent presque tout [à venir]

Phase 5 : Architectures fondamentales des réseaux de neurones

Semaines 24 à 26. Les trois grandes familles d’architectures : CNN pour la vision, RNN pour l’historique séquentiel, et Transformers – l’invention qui a tout changé en 2017 et qui alimente tous les LLM modernes.

1. Semaine 24 : Comment les ordinateurs ont appris à voir : un guide visuel des réseaux de neurones convolutifs [à venir]
2. Semaine 25 : L’architecture qui a essayé de comprendre le langage – et pourquoi ça a presque fonctionné : RNN et LSTM [à venir]
3. Semaine 26 : L’attention est tout ce dont vous avez besoin : l’article de 2017 qui a réécrit l’IA – expliqué en français courant [à venir]

🏁 Moment du projet jalon 2. Entraînez un CNN ou un petit Transformer from scratch en PyTorch.

Phase 6 : Traitement automatique du langage et LLM

Semaines 27 à 31. C’est la phase qui intéresse tout le monde en 2026. Nous passerons des comptages de mots à la construction de votre propre chatbot RAG.

1. Semaine 27 : Apprendre aux machines à lire : du sac de mots aux plongements de mots [à venir]
2. Semaine 28 : Avant les Transformers : comment les LSTM ont donné aux machines une mémoire (fugace) pour le langage [à venir]
3. Semaine 29 : BERT, GPT et l’arbre généalogique des Transformers : qui fait quoi, et pourquoi [à venir]
4. Semaine 30 : Vous n’avez pas besoin d’entraîner GPT‑4 pour l’utiliser : un guide pratique de Hugging Face [à venir]
5. Semaine 31 : À l’intérieur d’un LLM : comment les modèles à l’échelle du chat fonctionnent vraiment, du pré‑entraînement au RLHF [à venir]

Phase 7 : Autres domaines du deep learning

Semaines 32 à 35. Choisissez ceux qui vous concernent. Vous n’avez pas besoin des quatre.

1. Semaine 32 : Au‑delà de « chat ou chien » : détection d’objets, segmentation, et comment les Vision Transformers voient le monde [à venir]
2. Semaine 33 : Du bruit à l’art : un tour d’horizon de l’IA générative – autoencodeurs, GAN et la révolution de la diffusion [à venir]
3. Semaine 34 : Comment les machines entendent : des spectrogrammes à Whisper, l’IA qui transcrit tout [à venir]
4. Semaine 35 : Apprendre par essais et erreurs : apprentissage par renforcement des Q‑tables au PPO [à venir]

Phase 8 : Agents IA et applications avancées

Semaines 36 à 38. La frontière actuelle en 2026 : des agents qui utilisent des outils, planifient et agissent dans le monde.

1. Semaine 36 : La prochaine vague de l’IA : ce que sont les agents, comment ils utilisent des outils, et comment en construire un cet après‑midi [à venir]
2. Semaine 37 : Où l’IA fait vraiment la différence en ce moment : santé, finance, science et la frontière du monde réel [à venir]
3. Semaine 38 : Quand l’IA voit, entend et lit en même temps : l’essor des modèles multimodaux [à venir]

Phase 9 : Production, outils et MLOps

Semaines 39 à 42. La phase qui sépare ceux qui suivent des tutoriels de ceux qui livrent vraiment des produits d’IA. La plupart des cours en ligne la sautent complètement.

1. Semaine 39 : Votre modèle de notebook n’est pas un produit : ce qu’il faut vraiment pour livrer de l’IA [à venir]
2. Semaine 40 : MLOps sans les mots à la mode des entreprises : versioning, suivi et reproductibilité pour le reste d’entre nous [à venir]
3. Semaine 41 : Comment déployer un modèle d’IA pour de vrais utilisateurs (sans épuisement DevOps) [à venir]
4. Semaine 42 : Du RAG à la production : construire de vraies applications LLM qui ne vous font pas honte [à venir]

🏁 Moment du projet jalon 3. Déployez votre chatbot RAG en ligne.

Phase 10 : IA responsable et vision d’ensemble

Semaines 43 à 46. L’IA n’est pas que du code. Elle touche le monde réel. Vous devez comprendre les biais, la sécurité, l’explicabilité et le contexte plus large.

1. Semaine 43 : Votre modèle a des opinions : biais, équité, et pourquoi de « bonnes données » ne suffisent jamais [à venir]
2. Semaine 44 : Fabriquer une IA qui ne casse rien : sécurité, alignement, et le problème le plus dur en IA aujourd’hui [à venir]
3. Semaine 45 : Le problème de la boîte noire : comment expliquer les décisions de l’IA quand le modèle lui‑même ne sait pas [à venir]
4. Semaine 46 : L’IA et le reste du monde : emplois, créativité, climat, et les questions auxquelles aucun tutoriel ne répondra [à venir]

Phase 11 : Se tenir à jour et aller plus loin

Semaines 47+. Apprendre l’IA ne s’arrête pas. Après les 46 semaines de base, voici comment continuer à grandir.

1. Comment lire un article de recherche en IA sans doctorat (et le comprendre vraiment) [à venir]
2. Le portfolio IA qui vous décroche vraiment des entretiens (pas des projets jouets que personne ne lit) [à venir]
3. Vous n’apprenez pas l’IA seul : les communautés, conférences et coins d’Internet qui valent le coup [à venir]
4. Vous ne pouvez pas apprendre toute l’IA – voici comment choisir une spécialisation qui vous correspond [à venir]
5. La seule compétence en IA qui ne sera pas obsolète dans 5 ans : apprendre à apprendre [à venir]

Estimations de temps approximatives

Ce n’est pas une course. Le tableau ci‑dessous vous donne des délais réalistes selon le temps dont vous disposez.

Temps par semaine

Temps pour finir le cœur (phases 0-6)

Temps pour finir les 11 phases

5-10 heures (projet sérieux à côté)

~6 mois

~1 an

10-15 heures (consacré)

~4 mois

~8 mois

30+ heures (temps plein)

~6 semaines

~3 mois

La régularité bat le bachotage. 30 minutes par jour, tous les jours, c’est mieux que 8 heures le dimanche et rien le reste de la semaine.

Ce que vous serez capable de faire à la fin

Si vous complétez les phases de base (0-6) plus la phase 9, vous serez capable de :

• Faire la différence entre une vraie IA et un battage marketing
• Écrire du code Python pour l’analyse de données et le ML
• Nettoyer, explorer et préparer des ensembles de données réels
• Construire, entraîner, évaluer et régler des modèles de ML classiques
• Comprendre comment fonctionnent les réseaux de neurones et les Transformers
• Affiner des modèles de langage pré‑entraînés pour vos propres tâches
• Construire des chatbots RAG sur vos propres documents
• Déployer des modèles en tant qu’API avec FastAPI
• Livrer des produits d’IA fonctionnels
• Lire l’actualité et les articles de recherche en IA avec un regard critique
• Savoir ce que vous ne savez pas

C’est suffisant pour décrocher un emploi d’ingénieur ML/IA junior, construire des outils d’IA utiles pour votre travail actuel, ou continuer vers la recherche si cela vous intéresse.

Comment utiliser cette page

1. Mettez‑la en favori. C’est votre table des matières.
2. Commencez par la semaine 1. Ne sautez pas.
3. Revenez chaque semaine. De nouveaux articles sont publiés chaque semaine. Les liens apparaîtront ci‑dessus.
4. Faites les exercices. Lire n’est pas apprendre.
5. Construisez les trois projets jalons. Ce sont vos preuves que vous savez vraiment faire.

Si jamais vous vous sentez perdu, revenez ici. Le chemin ne change pas. Les outils vont et viennent (nouveaux frameworks, nouveaux modèles, nouvelles startups), mais les fondamentaux de cette feuille de route seront toujours ce qui compte dans cinq ans.

Rendez‑vous à la semaine 1.

🔔 Restez en avance sur l’IA

Si vous suivez cette feuille de route et que vous voulez recevoir chaque semaine des outils d’IA pratiques pendant que vous apprenez, abonnez‑vous à la newsletter gratuite ByteBuilders. Chaque numéro vous donne :

• 1000+ invites IA que vous pouvez copier et utiliser dès aujourd’hui
• Des outils d’IA pratiques, testés et expliqués
• Des workflows d’automatisation qui vous font gagner des heures
• Des cas d’usage productivité pour le travail et l’apprentissage
• Des ressources IA sélectionnées pour aiguiser vos compétences

Rejoignez des milliers de constructeurs et d’apprenants qui suivent cette feuille de route :

++Abonnez‑vous gratuitement à ByteBuilders →++