Découvrez nos formations

Programme minimal et point d’entrée

Extension basée sur les packages : import

Lancement de programmes et passage d’arguments

Versions compilées de Python (.py .pyc)

Console Python

Encoding : utf-8

Typage faible

Booléens, numériques

Les chaînes de caractères

Conversions de types, casting

Types agrégés : Tuples, List, Set et dictionnaires

Commentaires sur une ligne # ou plus “””

Notion de blocs et indentations

Les opérateurs
-Affectation
-Arithmétique
-Logiques
-Relationnels

Saisie et affichage : input, print et formatage

Structure conditionnelle : la directive “Match”

Les structures de boucle : While, For, Range()

Break et continue

La gestion des exceptions
-Groupes d’exceptions
-Notes d’exceptions

L’import de modules

def(), arguments et valeur de retour

Variables globales et l’instruction globale

Arguments par défaut, *args et **kwargs –

Fonctions lambda

Gestion de fichiers et répertoires

Accès séquentiel, aléatoire

Le module os, os.path, shutil, zlib

Définition de modules et instruction import

Modules en tant que fichier py et en tant que répertoire

Résolution des modules

Module et programme : __main__

Installation de modules : pip, easy_install

Approche objets

Classes et instances / objets : self

Constructeur : __init__

Données et méthodes membres

Héritage multiple

Accès aux bases de données relationnelles

Programmation graphique UI avec Tkinter

Débogage : exécution pas à pas

Scripts Python en tant que Common Gateway

Les principaux types de données: chaînes de caractères, booléennes et nombres

Tableaux indicés (listes et tuples), tableaux associatifs (dictionnaires) et tableaux d’octets

Les 3 structures de contrôles : les boucles for et while, le test if/elif/else

Créer et utiliser des fonctions

Traiter les erreurs avec la gestion des exceptions try/except/finally

Lire et écrire des fichiers textes/binaires

Comprendre le principal piège de Python : les types mutable et immutable

Les générateurs : comprendre leur utilité et savoir en créer

Les rudiments de la programmation objet pour savoir créer de nouveaux types de données : classes/attributs/méthodes

Créer et utiliser une librairie

Analyser des logs avec les expressions régulières

Manipuler et analyser des fichiers CSV/Excel avec Pandas

Passer des paramètres à un script avec argparse

Utiliser une base de données relationnelle

Exécuter des commandes système

Se connecter à une API web avec requests et télécharger le contenu de pages HTML avec scrapy

Envoyer des emails

Administrer plusieurs machines avec fabric et ansible

Chiffrer et déchiffrer des fichiers avec AES/PGP

Manipuler des fichiers CSV volumineux (plusieurs Go) avec Vaex et Dask

Manipuler des fichiers XML

Créer des fichiers PDF

Ajouter une interface graphique à vos scripts

Paralléliser vos scripts d’administration système avec les librairies threading et multiprocessing

Rappels rapides : protocoles TCP/IP, couches OSI, routing et translation d’adresses

Scanner les ports réseau avec les sockets

Utiliser les protocoles SNMP et NetCONF avec Python

Capture de paquets TCP avec Scapy et lecture de fichiers PCAP

Envoyer des SMS

Analyser les vulnérabilités de votre réseau avec Nessus et nessrest

Les identifiants et les références

Les conventions de codage et les règles de nommage

Les blocs et les commentaires

Les types de données disponibles

Les variables, l’affichage formaté, la portée locale et globale

La manipulation des types numériques et la manipulation de chaînes de caractères

La manipulation des tableaux dynamiques (liste), des tableaux statiques (tuple) et des dictionnaires

L’utilisation des fichiers

La structure conditionnelle if/elif/else

Les opérateurs logiques et les opérateurs de comparaison

Les boucles d’itérations while et for.

Les interruptions d’itérations break/continue.

La fonction range

L’écriture et la documentation de fonctions

Les lambda expression

Les générateurs

La structuration du code sous forme de modules

Les principes du paradigme Objet

La définition d’un objet (état, comportement, identité)

La notion de classe, d’attributs et de méthodes

L’encapsulation des données

La communication entre les objets

L’héritage, transmission des caractéristiques d’une classe

La notion de polymorphisme

Association entre classes

Les interfaces

Présentation d’UML

Les diagrammes de classes, de séquences et d’activités

Notion de modèle de conception (Design Pattern)

Les particularités du modèle Objet de Python

L’écriture de classes et leur instanciation

Les constructeurs et les destructeurs

La protection d’accès des attributs et des méthodes

La nécessité du paramètre Self

L’héritage simple, l’héritage multiple et le polymorphisme

Les notions de visibilité

Les méthodes spéciales

L’introspection

L’implémentation des interfaces

Les bonnes pratiques et les modèles de conception courants

L’utilisation du mécanisme d’exception pour la gestion des erreurs

Les arguments passés sur la ligne de commande

L’utilisation du moteur d’expressions régulières Python avec le module “re”, les caractères spéciaux et les cardinalités

La manipulation du système de fichiers

Présentation de quelques modules importants de la bibliothèque standard : module “sys”, “os” et “os.path”

Empaquetage et installation d’une bibliothèque Python

Les accès aux bases de données relationnelles et le fonctionnement de la DB API

Les outils d’analyse statique de code (Pylint, Pychecker)

L’analyse des comptes rendus d’analyse (types de messages, avertissements et erreurs)

Extraction automatique de documentation

Le débogueur de Python

Le développement piloté par les tests

Les modules de tests unitaires Python (Unittest)

L’automatisation des tests et l’agrégation de tests

Les tests de couverture de code, profiling

Les principes de programmation des interfaces graphiques

Présentation de la bibliothèque TkInter

Les principaux conteneurs

Présentation des widgets disponibles (Button, Radiobutton, Entry, Label, Listbox, Canvas, Menu, Scrollbar, Text)

Le gestionnaire de fenêtres

Le placement des composants et les différents layouts

La gestion des événements, l’objet event

Les applications multifenêtres

Présentation du module Ctypes

Le chargement d’une librairie C

Appel d’une fonction

La réécriture d’une fonction Python en C avec l’API Python/C

La création de modules C pour Python

L’interpréteur Python dans C

L’utilisation du profileur de code

Analyse critique de Python

L’évolution du langage

Éléments de webographie et de bibliographie

Historique, versions et licences de SQL Server

Les rôles et intervenants d’une base SQL Server

Autres systèmes concurrents

Outils associés à SQL Server

Processus d’installation : planification, mise à jour

Modes d’authentification

Vérification de l’installation

Type de fichiers : .mdf, .ndf, .ldf

Objets d’administration

Organisation générale : tables, vues, contraintes, index, procédures

Méthodes de spécification et modélisation

Types et spécifications particulières des tables et champs

Création des structures de données

Gestion des espaces de stockage : fichiers, groupes de fichiers

Insertion et importation de données

Ajout et modification de commentaire

Protéger son classeur et ses feuilles

Autoriser la modification d’un tableau uniquement

Utilisateurs et sécurité : modes d’authentification, comptes, rôles, permissions

Journaux, sauvegardes possibles et outils

Travail sur l’historique et les annulations

Surveillance par alertes et triggers

Automatisations diverses des tâches d’administration

Historique, versions et normalisation du langage SQL

Notion d’instance

Structure d’une instance : base, schémas et objets

Principaux SGBD (Systèmes de Gestion de Base de Données)

Modèle Conceptuel de données : tables et relations

Création de la base de données

Création des tables : Types, contraintes et notions d’index

Insertion de données

Modification de données

Suppression de données

Sélection de données : syntaxe générale

Attributs – Opérateur * – Alias d’attributs – Opérateur DISTINCT

Clause FROM et alias de tables

Opérateurs logiques de filtres : AND, OR et NOT

Notion de prédicat

Prédicats LIKE, IN et BETWEEN

Prise en compte des NULL : prédicat IS NULL

Clause ORDER BY

OFFSET/FETCH/LIMIT

Notion de produit cartésien Notion de jointure Jointure interne Jointures externes Auto-jointure

Principe des sous-requêtes

Sous-requêtes corrélées

Prédicats EXISTS/NOT EXISTS Notions de tables dérivées

Création de table temporaires : globale et locale

Expressions de Table Communes (CTE) : Problématique, usage et syntaxe

Entre table dérivée et CTE, les vues : Syntaxe et intérêt

Principe des fonctions Fonctions scalaires : manipulation de données alphanumériques et temporelles

Fonction d’agrégation : définition et usage

Principales fonctions d’agrégat

Création de regroupements : GROUP BY

Filtre sur regroupements : HAVING

Configuration de la fenêtre : clause OVER – Prédicat PARTITION BY – Prédicat ORDER BY

L’environnement de développement Python / Anaconda / Jupyter Notebook

Pandas : l’analyse de données tabulaires (CSV, Excel), statistiques, pivots, jointures et filtres

Traitement des valeurs manquantes : imputation par la moyenne, médiane, interpolation, knn

Traitement des Outliers : analyse graphique, méthode de l’IQR, Z-score

Standardisation

Normalisation : Skewness et Kurtosis

Données non balancées : Undersampling, Oversampling, SMOTE

Modèles d’apprentissage supervisés et non-supervisés les plus courants

Entraînement de modèles avec Scikit-learn

Méthodes d’évaluations : savoir choisir les bonnes métriques pour chaque problématique

Présentation des librairies Optuna et Hyperopt

Présentation de l’approche Grid Search pour identifier les meilleurs hyper paramètres d’un modèle

Log des hyper paramètres et des performances dans Mlflow

Intérêt de vérifier le modèle Drift et le Data Drift

Présentation des librairies Evidently et Streamlit

Présentation du service AWS EC2

Présentation de Flask pour la mise à disposition d’un modèle de machine learning par le biais d’une API

Présentation de divers outils de connexion à l’environnement virtuel tels que Putty et Visual Studio Code

Déploiement du code par le biais de GitHub

Panorama de l’écosystème scientifique de Python : les librairies incontournables

Savoir où trouver de nouvelles librairies et juger de leur pérennité

Les principaux outils et logiciels open source pour la data science

Le socle scientifique Python : la SciPy Stack

Les bonnes pratiques pour bien démarrer votre projet de data science avec Python

Les formats de fichiers scientifiques et les librairies pour les manipuler

Pandas : l’analyse de données tabulaires (fichiers csv, excel), statistiques, pivots, filtres et recherche

Numpy : calcul numérique et algèbre linéaire (les vecteurs, matrices, images)

L’extraction des données, la préparation et le nettoyage

Les étapes de construction d’un modèle

Les algorithmes supervisés et non supervisés

Le choix entre la régression et la classification

Les techniques de ré-échantillonnage en jeu d’apprentissage, de validation et de test

Test de représentativité des données d’apprentissage

Mesures de performance des modèles prédictifs

Matrice de confusion, de coût et la courbe ROC et AUC

Le principe de régression linéaire univariée

La régression multivariée

La régression polynomiale

La régression régularisée

Le Naive Bayes

La régression logistique

Le clustering hiérarchique

Le clustering non hiérarchique

Les approches mixtes

Définition de l’apprentissage automatique

Histoire et évolution du machine learning

Applications du machine learning dans différents domaines

Apprentissage supervisé

Apprentissage non supervisé

Apprentissage par renforcement

Données et ensembles de données

Features et labels

Entraînement, validation et test

Régression linéaire et régression logistique

Arbres de décision

Forêts aléatoires

Support Vector Machines (SVM)

K-means clustering

Algorithmes de regroupement hiérarchique

Analyse en composantes principales (PCA)

Algorithmes de réduction de dimensionnalité

Nettoyage des données

Gestion des valeurs manquantes

Normalisation et standardisation

Ingénierie des features

Critères de sélection des modèles

Comparaison des modèles

Techniques d’optimisation des modèles

Bagging et Boosting

Algorithmes populaires : AdaBoost, Gradient Boosting, XGBoost

Neurones artificiels et Perceptron

Réseaux de neurones multicouches (MLP)

Fonction d’activation

Backpropagation

Réseaux de neurones convolutifs (CNN)

Réseaux de neurones récurrents (RNN)

Frameworks populaires : TensorFlow, Keras, PyTorch

Traitement du langage naturel (NLP)

Vision par ordinateur

Systèmes de recommandation

Définition du problème et collecte des données

Prétraitement et exploration des données

Sélection et entraînement du modèle

Évaluation et amélioration du modèle

Introduction au déploiement de modèles

Outils et plateformes pour le déploiement

Surveillance et maintenance des modèles déployés

Biais dans les modèles de machine learning

Confidentialité des données

Considérations éthiques et réglementations

Installer la SciPy Stack facilement avec Anaconda

Les notebooks Jupyter

Environnements de développement intégrés

L’usage de NumPy

Pourquoi des tableaux ?

Créer un tableau avec NumPy

Manipuler les tableaux NumPy

Broadcasting

Les fonctions universelles

Extraire les informations significatives de vos données

Masques booléens

Charger et sauvegarder des tableaux

Données structurées

Séries (Series)

Tableau de données (DataFrame)

Lire et exporter des données sous différents formats

Indexation et sélection des données

Opérations simples

Traiter les données manquantes

Informations sur les données : taille, type, mémoire

Changer le type des données

Traitement avancé des données

Tableau croisé dynamique

Segmenter les données

Moyenne glissante

Ajouter des dimensions

Manipuler les MultiIndex

Travailler avec des chaînes de caractères

Traiter des données temporelles

Les données massives et leurs options

Interface MATLAB / orientée objet

Graphique linéaire

Nuage de points

Histogramme

Représenter plusieurs graphiques avec Pandas

Graphique 3D

Interagir avec les graphiques dans le notebook Jupyter

Modifier les graduations et les axes

Intégration

Algèbre linéaire

Transformée de Fourier (FFT)

Interpolation

Ajustement de courbe