Donner 5 jours de cours à 17 étudiants

J'ai donné 5 jours de cours sur la Data Science et le Machine Learning à des alternants en Bac+3.

Il y a six mois, je ne connaissais rien au Machine Learning.
Je n'avais jamais donné de cours.

Pourquoi accepter ?

  1. Je cherchais une raison de consacrer du temps à ce sujet
  2. Je voulais vérifier une hypothèse : enseigner est une arme pour apprendre
  3. Je préférais répondre à une demande réelle plutôt que de chercher un projet abstrait

Yoan m'a proposé la mission.
Il m'a fait confiance.
J'ai accepté.

Voici comment ça c'est passé.

Aout : exploration libre

Lecture d'un livre général.
Cours en ligne de Stanford.
Implémentation from scratch des algorithmes principaux : régression linéaire, régression logistique, arbres, random forest, réseaux neuronaux.

J'ai me suis exposé au sujet.
Mais je n'ai pas avancé sur le projet.

Je n'ai pas fait d'application réelle.
Je me sens perdu dans l'immensité du sujet.
Je sors de cette phase vidé d'énergie.

Septembre, Octobre, Novembre : Pause

Je voyage en Asie. J'avance sur d'autres projets.

Décembre : Cadrage

Je repars des objectifs pédagogiques et établis un plan pour les 5 jours :

Je rassemble dix livres sur la data science.
Je les parcours.
Je sélectionne les chapitres qui m'intéressent.

J'explore des data sets.

Après 4 semaines, une seule journée est prête.
Mais cette fois-ci, c'est concret. J'ai produis. J'ai pratiqué.
Chaque lecture nourrit le cours.

Janvier : Maturation du processus

En avançant, une structure apparaît.

Chaque journée suit le même rythme :

En préparant la 4ème journée, mon processus devient clair.

Pour le thème traitement du language naturel (NLP), ça a été :

1. Capturer la "big picture"

Taper "NLP" sur Youtube
Regarder les 10 vidéos les plus vues.
Prendre des notes sous forme de mindmap.

C'est incroyable pour identifier les contours de la discipline et des ressources

2. Choisir un livre de référence

Youtube donne de l'intuition.
Un livre donne de la profondeur.
Pour la NLP : Practical Natural Language Processing

3. Prendre des notes

Brainstormer sur ces trois points après-coup est laborieux.
Quand on sait quoi chercher, collecter au fil de l'eau est sans effort.

4. Écrire un notebook théorie

Partir du problème
Introduire chaque concept par nécessité.
Démontrer.
Le notebook me sert de script pour le tableau.
Je le distribue ensuite.

5. Construire un notebook projet

Donner la trame imaginée à ChatGPT et lui demander de générer un notebook.
Tout reprendre : questionner, simplifier, restructurer.
Cela accélère le démarrage.

Pour chaque journée, je produis trois livrables clés :
un notebook théorie, un notebook exercices, un projet.

Préparer m'oblige à clarifier.
Expliquer révèle les zones de flou.
Je plus de questions que d'habitude.

Février : Semaine de cours

J'ai animé une classé de 17 étudiants.

Pendant la préparation : plusieurs montées d'angoisse.
Pendant la semaine : du calme.

Mes objectifs :

Une leçon ressort : la compréhension vient de la pratique.

Un concept expliqué n’est pas un concept assimilé.
Plusieurs fois, après avoir présenté une notion, j’ai entendu :
"C’est quoi ce truc ?"

Un projet ancre davantage qu’une slide.

Un truc qui a bien fonctionné : varier les formats.

Slides, tableau, live coding, code à trous, projets, exposés étudiants.
Quand un format devient routinier, l'attention baisse.
Changer relance la dynamique.

Conclusion

En six mois, je suis passé de zéro en Machine Learning à cinq jours de cours structurés.

Enseigner impose un niveau d'exigence que l'auto-apprentissage n'atteint pas toujours.

Je ne veux pas enseigner à temps plein.
Mais je veux continuer à le faire.
Au moins une fois par an.

Pour les rencontres humaines.
Et parce qu'enseigner est une méthode d'apprentissage puissante.

Laisser une réponse