Présentation du langage Python : historique, versions, avantages

Installation et configuration de Python (Windows/Linux/Mac)

Introduction aux environnements de développement (PyCharm, VS Code, Jupyter Notebook)

Exécuter Python en mode interactif et script

Syntaxe de base :
_ Variables et types de données (entiers, flottants, chaînes de caractères, booléens)
_ Opérations arithmétiques et manipulation de chaînes de caractères
_ Utilisation de la fonction print() et des commentaires

Exercices pratiques : premiers scripts Python

Conditions (if, elif, else)

Boucles (for, while)

Introduction aux fonctions :
– Déclaration et appel de fonctions
– Passage d’arguments et valeurs de retour
– Les bonnes pratiques de structuration du code

Gestion des erreurs et exceptions (try, except, finally)

Exercices pratiques : écrire des scripts utilisant des boucles et des fonctions

Structures de données :
– Listes, tuples, ensembles, dictionnaires
– Opérations courantes : tri, filtrage, parcours

Manipulation de fichiers :
– Lire et écrire des fichiers texte (open(), read(), write())
– Manipulation de fichiers JSON et CSV

Introduction aux bibliothèques standard (math, datetime, random)

Exercices pratiques : création d’un script de gestion de fichiers

Concepts de la programmation objet

Définition et utilisation des classes et objets

Attributs et méthodes

Héritage et polymorphisme

Introduction aux bibliothèques de POO en Python

Exercices pratiques : création de classes et d’objets

Utilisation de SQLite avec Python ( sqlite3)
– Création d’une base de données
– Ajout, suppression et modification de données via Python

Introduction aux interfaces graphiques avec TkinterouPySide
– Création d’une fenêtre simple
– Ajout de widgets (boutons, champs de texte, listes déroulantes)

Bonnes pratiques en développement Python

Projet final : développer une mini-application avec interface graphique et base de données

L’environnement de développement Python / Anaconda / Jupyter Notebook

Les principaux types de données : chaînes, booléennes, nombres, listes, tuples et dictionnaires

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

Les fonctions : création, passage de paramètres, valeurs par défaut, arguments variables

Numpy : vecteurs, matrices, slicing, concaténation

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

Identifier les données textuelles et présentation des librairies spaCy et nltk

Tokenisation des mots

Suppression des stop-words, de la ponctuation et des éléments non essentiels à l’analyse

Lemmatisation vs racinisation (stemming)

Identification de la nature grammaticale des mots à l’aide du Part Of Speech Tagging

Identifier des personnes et lieux avec le Named Entity Recognition

Bag of words

Pondération tf-idf

Approche avec des n-grams

Les embeddings : word2vec, gloVe, fastTesxt

Rappels sur les étapes de construction d’un modèle prédictif

Classification

Analyse de sentiment

Topic modelling

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

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

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

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

Présentation du langage Python : historique, versions, avantages

Installation et configuration de Python (Windows/Linux/Mac)

Introduction aux environnements de développement (PyCharm, VS Code, Jupyter Notebook)

Exécuter Python en mode interactif et script

Syntaxe de base :
_ Variables et types de données (entiers, flottants, chaînes de caractères, booléens)
_ Opérations arithmétiques et manipulation de chaînes de caractères
_ Utilisation de la fonction print() et des commentaires

Exercices pratiques : premiers scripts Python

Conditions (if, elif, else)

Boucles (for, while)

Introduction aux fonctions :
– Déclaration et appel de fonctions
– Passage d’arguments et valeurs de retour
– Les bonnes pratiques de structuration du code

Gestion des erreurs et exceptions (try, except, finally)

Exercices pratiques : écrire des scripts utilisant des boucles et des fonctions

Structures de données :

– Listes, tuples, ensembles, dictionnaires
– Opérations courantes : tri, filtrage, parcours

Manipulation de fichiers :
– Lire et écrire des fichiers texte (open(), read(), write())
– Manipulation de fichiers JSON et CSV

Introduction aux bibliothèques standard (math, datetime, random)

Exercices pratiques : création d’un script de gestion de fichiers

Concepts de la programmation objet

Définition et utilisation des classes et objets

Attributs et méthodes

Héritage et polymorphisme

Introduction aux bibliothèques de POO en Python

Exercices pratiques : création de classes et d’objets

Utilisation de SQLite avec Python (sqlite3)
– Création d’une base de données
– Ajout, suppression et modification de données via Python

Introduction aux interfaces graphiques avec Tkinter ou PySide
– Création d’une fenêtre simple
– Ajout de widgets (boutons, champs de texte, listes déroulantes)

Bonnes pratiques en développement Python

Projet final : développer une mini-application avec interface graphique et base de données

Affectation par référence et types de données modifiables, non modifiables (mutable)

Passage d’arguments, valeurs par défaut et variables locales

Variables de classe et d’instances

Les slices et structures de données avancées

L’introspection

Eléments avancés des structures de contrôle : la clause else des instructions for, while, try/except

Utilisation avancée de décorateurs (de la génération à la consommation, pipeline de consommateurs)

Les décorateurs et Design Patterns

Fermeture/closure

Les propriétés (property)

Les itérateurs

L’héritage multiple et ses travers

Les Context Managers

Les classes et méthodes abstraites (ABC)

Les métaclasses

Installer des librairies tierces (pip, easy_install)

Le Python Package Index (PyPI)

Packager ses librairies (distutils, setuptools)

Déployer un environnement autonome (virtualenv et buildout)

Profilez vos programmes avec Timeit et cProfile

Parallélisation : évitez le multithreading et foncez avec le multiprocessing

Calcul distribué avec la librairie Celery

Calculs scientifiques et statistiques avec Numpy, Scipy, Matplotlib et Pandas

Intelligence Artificielle et algorithmes d’apprentissage avec Scikit-Learn

Recherche d’informations dans des fichiers XML avec ElementTree

Réseau : relay tcp avec Twisted et supervision SNMP avec PySNMP

Qu’est-ce qu’une variable ?

Les types de variables : entiers, réels, chaînes de caractères

Déclaration, définition et initialisation d’une variable

Les différents opérateurs

Les structures de contrôles (boucles, tests)

Les structures de données avancées (tuples, listes, dictionnaires)

Les fonctions les plus utiles

Qu’est-ce qu’un programme ?

Écriture d’un programme : syntaxe et instructions

Qu’est-ce qu’une fonction, une librairie, son rôle et son usage

Présentation du langage Python et de son écosystème

Utiliser une distribution Python

Les librairies pour démarrer un projet d’analyse de données

Utiliser les notebooks Jupyter pour explorer les données

Importer et exporter des données provenant de différentes sources (texte, CSV, JSON, Excel)

Manipuler des données avec Pandas (recherche, transformation, calculs simples)

Tracés de courbes, histogrammes et autres graphiques

Visualiser les données sur une carte interactive avec Folium

Graphiques interactifs avec panel

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