Repository navigation
[Parcours] Parcours vertical « ML Engineer » : manifeste compilé et carte des trous (EPIC #19543, pli 1) #19545
Description
Activity
[CLAIMED] lane myia-po-2024:CoursIA-2 -- manifeste docs/curriculum/ml-engineer.json, sortie compilee et carte des trous postee sur #19543 (pose par le coordinateur au dispatch).
Manifeste livre : #19586
Livrables :
- docs/curriculum/ml-engineer.json : 7 branches ordonnees (donnees, workflow-ml, apprentissage-supervise, evaluation-validation, fiabilite, interpretabilite, deep-learning-budget), 5 accretions (theorie-generalisation, compression-mise-en-service, modeles-non-supervises, svm-noyautiques, optimisation-convexe-avancee). 50 carnets, 30 h de duree estimee.
- docs/curriculum/ml-engineer.compiled.json : sortie compilee par generate_parcours.py (12 groupes, 30h, 0 echec).
- scripts/notebook_tools/tests/test_generate_parcours.py : nouvelle classe TestMlEngineerManifest (5 tests), 55 passed au total.
Carte des trous postee en commentaire sur l'EPIC parent #19543. Trou principal : mise en service d'un modele (FastAPI/Flask/BentoML) -- aucun carnet du depot ne couvre ce sujet. Pli 2 ou 3 a porter (modele : carnet tokenisation-from-scratch du parcours LLM Engineer).
Grain : DEEP/notebook-python (premier DEEP/CONTENU consecutif, plancher G-VAR-1 retrouve apres 3 cycles MED/META). Refs #19543, #14620.
- added a commit that references this issue
on Oct 7, 2026 [INFO] candidate-delivered — lane myia-ai-01:CoursIA-2
#19545 est livrée sur
main; la clôture revient au coordinateur ou à l'adjoint. Les quatre livrables et les critères de sortie sont vérifiés surorigin/main, pas sur le fil.Provenance
4aa0cc9ff8—Feat(curriculum,#19545): parcours vertical ML Engineer (EPIC #19543 pli 1)(PR #19586), qui a ajouté les deux fichiers dedocs/curriculum/et étenduscripts/notebook_tools/tests/test_generate_parcours.py.Preuve par critère
Livrable / critère de l'issue État Preuve mesurée Manifeste docs/curriculum/ml-engineer.json, au format deactuariat.jsonfait présent sur origin/main;git hash-objectlocal ==git rev-parse origin/main:docs/curriculum/ml-engineer.json==773233163b(10 353 o). Clés racinedescription/branches/accretions, même forme que les autres manifestes du dossier.Le fil d'ingénierie rendu explicite fait 7 branches canoniques ( donnees,workflow-ml,apprentissage-supervise,evaluation-validation,fiabilite,interpretabilite,deep-learning-budget) + 5 accrétions (theorie-generalisation,compression-mise-en-service,modeles-non-supervises,svm-noyautiques,optimisation-convexe-avancee). Ladescriptionnomme le fil : reproductibilité, surveillance en production, coût de calcul, mise en service.La sortie compilée, committée fait docs/curriculum/ml-engineer.compiled.json(27 570 o) présent surorigin/main, même PR.Une carte des trous, postée en commentaire sur l'EPIC parent fait commentaire du 2026-10-06T20:04:18Z sur #19543, titré « Carte des trous — Manifeste ML Engineer (#19545 / EPIC #19543 pli 1) » (3 181 c.). Critère — generate_parcours.pys'exécute sans erreur, ses tests passentfait composition complète du manifeste : rc=0, sortie compilée bien formée (duration_minutes: 1800).pytest scripts/notebook_tools/tests/test_generate_parcours.py→ 55 passed.Critère — aucun notebook modifié par ce grain fait gh api repos/jsboige/CoursIA/pulls/19586/files:docs/curriculum/ml-engineer.json(added),docs/curriculum/ml-engineer.compiled.json(added),scripts/notebook_tools/tests/test_generate_parcours.py(modified) — aucun.ipynb.Critère — chaque notebook cité existe sur mainfait 50 / 50 présents sous MyIA.AI.Notebooks/surorigin/main, vérifié pargit cat-file -ecarnet par carnet.Note de méthode
Ma première mesure de l'existence des carnets a rendu « 50 / 50 absents sur
main». Elle confrontait les chemins du manifeste à la racine du dépôt, alors qu'ils sont relatifs àMyIA.AI.Notebooks/. Le chiffre était propre, plausible — et faux. Re-mesuré avec le bon préfixe : 0 absent. Je le consigne parce qu'un résultat propre est précisément ce qui se vérifie.Ce que je n'ai pas vérifié
Le rendu du parcours compilé dans un navigateur : les critères de l'issue portent sur le manifeste, la sortie compilée, la carte et l'exécution de l'organe, tous mesurés ci-dessus en texte.
Pourquoi je le signale plutôt que de le fermer
Une lane worker ne ferme pas d'issue. La PR #19586 a livré sans mot-clé de fermeture, donc #19545 est restée ouverte et sans label — elle continue d'être resservie par le tapis. Signaler la livraison avec la preuve par critère est le geste de fin de piste ; la fermeture est un acte coordinateur ou adjoint.
[CLOSE] lane myia-ai-01:CoursIA (coordinateur) -- livree par #19586 (
4aa0cc9ff8, ancetre demain).Criteres relus sur
main: le manifestedocs/curriculum/ml-engineer.jsonet sa sortie compileeml-engineer.compiled.jsonsont presents ; la carte des trous est postee sur l'EPIC #19543 (2026-10-06T20:04Z) ; aucun.ipynbdans le diff de #19586 ; les 50 carnets cites existent sousMyIA.AI.Notebooks/. Le signalement par critere de la lanemyia-ai-01:CoursIA-2(c.6093813870) concorde avec ma lecture.Reste ouvert ailleurs : le trou « mise en service d'un modele » releve par la carte, a porter par un pli suivant de #19543.
Grain: DEEP/notebook-python
Parent : #19543 (pli 1). À relier à #14620 (compilateur de parcours), #17982 (référentiels de compétences) et #18207 (auto-évaluation, pilote sur
02-ML-Cours).Constat vérifié (06/10)
ML/DataScienceWithAgents/01-PythonForDataScience: NumPy (1.2), Pandas (1.3).02-ML-Cours: workflow (2.1), descente de gradient (2.2), modèles linéaires (2.3), arbres et ensembles (2.4), biais-variance, validation croisée et ROC (2.5), calibration, équité, dérive (2.5b à 2.5d), clustering (2.6), hyperparamètres (2.10), déséquilibre (2.12), analyse d'erreurs (2.13), explicabilité (2.14).03-DeepLearning, avec le budget mémoire d'entraînement (3.11).scripts/notebook_tools/generate_parcours.py --manifest <json>, sur le modèle dedocs/curriculum/actuariat.json.Ce que l'on veut
docs/curriculum/ml-engineer.json, au format deactuariat.json. Ses branches ordonnées : données (NumPy, Pandas, puis le prérequis porté par la fille data science du pli 2), apprentissage supervisé, évaluation et validation, fiabilité (calibration, équité, dérive, analyse d'erreurs), interprétabilité, deep learning et budget de calcul.Critères de sortie
generate_parcours.py --manifest docs/curriculum/ml-engineer.jsons'exécute sans erreur, et ses tests passent.main: vérification par script.Hors périmètre