Plan du cours
Jour 1 — Fondements solides du Python et outils
Fonctionnalités modernes de Python et typage
- Bases du typage, génériques, Protocols et TypeGuard
- Dataclasses, dataclasses immuables (frozen) et aperçu d’attrs
- Matching de motifs (PEP 634+) et utilisation idiomatique
Qualité du code et outillage
- Formatteurs et linters de code : black, isort, flake8, ruff
- Vérification statique des types avec MyPy et pyright
- Hooks pre-commit et flux de travail du développeur
Gestion de projet et emballage
- Gestion des dépendances avec Poetry et environnements virtuels
- Structure des paquets, points d’entrée et bonnes pratiques de versionnage
- Construction et publication de paquets sur PyPI et les registres privés
Jour 2 — Modèles de conception et pratiques architecturales
Modèles de conception en Python
- Modèles créateurs : Factory, Builder, Singleton (variantes pythoniques)
- Modèles structurels : Adapter, Facade, Decorator, Proxy
- Modèles comportementaux : Strategy, Observer, Command
Principes architecturaux
- Principes SOLID appliqués aux bases de code Python
- Architecture hexagonale/clean et délimitation des frontières
- Modèles d’injection de dépendances et gestion de la configuration
Modularité et réutilisation
- Conception du code de bibliothèque vs code applicatif
- API, interfaces stables et versionnage sémantique
- Gestion de la configuration, des secrets et des paramètres spécifiques à l’environnement
Jour 3 — Concurrence, E/S asynchrones et performance
Concurrence et parallélisme
- Fondements du threading et implications du GIL
- Multiprocessing et pools de processus pour les tâches limitées par le CPU
- Quand utiliser concurrent.futures vs multiprocessing
Programmation asynchrone avec asyncio
- Modèles async/await, boucle d’événements et annulation
- Conception de bibliothèques asynchrones et interopérabilité avec le code synchrone
- Modèles limités par les E/S, contre-pression et limitation de débit (rate limiting)
Profiling et optimisation
- Outils de profilage : cProfile, pyinstrument, perf, memory_profiler
- Optimisation des chemins critiques et utilisation d’extensions C/Numba si approprié
- Mesure de la latence, du débit et de l’utilisation des ressources
Jour 4 — Tests, CI/CD, observabilité et déploiement
Stratégies de test et automatisation
- Tests unitaires et fixtures avec pytest ; organisation des tests
- Test basé sur les propriétés avec Hypothesis et test de contrat
- Mocking, monkeypatching et test de code asynchrone
CI/CD, release et monitoring
- Intégration des tests et des portes de qualité dans GitHub Actions/GitLab CI
- Construction de conteneurs reproductibles avec Docker et builds multi-étapes
- Observabilité des applications : journalisation structurée, métriques Prometheus et traçage
Sécurité, durcissement et meilleures pratiques
- Audit des dépendances, bases de la SBOM et scan des vulnérabilités
- Pratiques de codage sécurisé pour la validation des entrées et la gestion des secrets
- Durcissement à l’exécution : limites de ressources, droits utilisateur et sécurité des conteneurs
Projet final et évaluation
- Atelier d’équipe : conception et implémentation d’un petit service en utilisant les modèles du cours
- Tests, vérification de types, emballage et pipeline CI pour le projet
- Évaluation finale, critique de code et plan d’amélioration actionnable
Synthèse et prochaines étapes
Pré requis
- Expérience solide en programmation Python de niveau intermédiaire
- Connaissance de la programmation orientée objet et des tests de base
- Expérience d’utilisation de la ligne de commande et de Git
Public cible
- Développeurs Python seniors
- Ingénieurs logiciels responsables de la qualité et de l’architecture du code Python
- Responsables techniques et ingénieurs MLOps/DevOps travaillant avec des bases de code Python
Nos clients témoignent (3)
tout était parfait
Florin Vrincianu
Formation - Python Programming Fundamentals
Traduction automatique
L'adaptation des exos à notre contexte et la prise en compte de notre demande
Amel Guetat - EURO-INFORMATION DEVELOPPEMENTS
Formation - Fraud Detection with Python and TensorFlow
Les exercices pratiques liés au contenu aident vraiment à mieux comprendre chaque sujet. De plus, le fait de commencer les cours par une leçon puis de continuer avec des exercices pratiques est une bonne méthode qui aide à relier le contenu de la leçon précédente.
Nazeera Mohamad - Ministry of Science, Technology and Innovation
Formation - Introduction to Data Science and AI using Python
Traduction automatique