Formation Python, perfectionnement


Formation Python, perfectionnement

Catalogue : Développement logiciel



Rappels importants sur le langage
• 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.
Travaux pratiques
Optimisation : intersection de listes et calcul de complexité d'algorithmes.
Fonctions avancées
• Utilisation avancée de décorateurs (de la génération à la consommation, pipeline de consommateurs).
• Les décorateurs et Design Patterns.
• Fermeture/closure.
Travaux pratiques
Chaînage de consommateurs de données. Abonnement à des événements via les décorateurs.
Programmation Orientée Objet avancée
• Les propriétés (property).
• Les itérateurs.
• L'héritage multiple et ses travers.
• Les Context Managers.
• Les classes et méthodes abstraites (ABC).
• Les métaclasses.
Travaux pratiques
Implémenter une métaclasse pour créer des classes de type singleton.
Déploiement et qualité
• Installer des librairies tierces (pip, easy_install).
• Le Python Package Index (PyPI).
• Packager ses librairies (distutils, setuptools).
• Déployer un environnement autonome (virtualenv et buildout).
Travaux pratiques
Packager une librairie et la déposer sur PypI.
Le parallélisme : optimiser les performances de vos programmes
• Profilez vos programmes avec Timeit et cProfile.
• Parallélisation : évitez le multithreading et foncez avec le multiprocessing.
• Calcul distribué avec la librairie Celery.
Travaux pratiques
Répartition et consolidation (Map Reduce) de calculs avec Celery.
Les librairies contribuant au succès du langage
• Calcul scientifique 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.
Travaux pratiques
Extraction d'informations dans des fichiers de log XML, filtres et statistiques sur les données collectées puis représentation à l'aide de graphiques des tendances des informations.

 

Fiche de la formation



 Cible :

Ingénieurs et développeurs.


 Prérequis :

Bonnes connaissances en développement Python, ou connaissances équivalentes à celles apportées par les stages THO ou PYT. Expérience requise.


 Durée : 4 jours

 Type : Stage pratique


 Contactez-nous