Objectifs de la formation 

Le langage Python est particulièrement polyvalent même s’il est particulièrement utilisé dans la Data Science et le Machine Learning grâce à la richesse de ses bibliothèques scientifiques d’analyse de données.

Cette formation Python vous permet de disposer des solides bases en programmation objet, présentées et déclinées dans le contexte de Python. 

À l’issue de cette formation, vous aurez acquis les connaissances et compétences nécessaires pour : 

• Connaître les fondamentaux de la programmation objet
• Maîtriser la syntaxe du langage Python
• Connaître et mettre en œuvre les modules Python
• Manipuler les données en Python
• Concevoir des interfaces graphiques en Python
• Disposer d’une première expérience dans l’utilisation des outils de test et d’évaluation d’un programme Python

À qui s’adresse cette formation ?

Public :

Ce cours Python s’adresse à tout développeur souhaitant acquérir les bases de la programmation en Python.

Prérequis :

Les participants à cette formation Python doivent connaître un langage de programmation, car la formation ne prévoit pas de revenir sur les bases de la programmation (variables, test, boucle, fonction, …)

Contenu du cours 

1. Bien commencer avec Python

   Pourquoi utiliser Python plutôt qu’un autre langage ?
   Exemples de projet en Python
   Différences entre les versions de Python
   Installation de Python (pré-requis, fichiers, arborescence détaillée)
   Fonctionnement de l’interpréteur Python
   Les apports de l’interpréteur interactif iPython
   Un premier programme…

   Travaux pratiquesObjectifs : Prendre en main rapidement son environnement de développement
   Description : Premier programme simple interactif de saisie et d’affichage de texte afin de prendre en main l’interpréteur Python. Un second programme non interactif permet de voir l’aspect automatisation de Python.

   Les bases de Python (la syntaxe, les types)

   Organisation du code (modules, package, importations)
   Recommandations de nommage
   Les types de base (entier, chaîne, réel, …)
   Erreurs classiques sur les types
   Boucles (for), opérateurs, tests (if/else)
   Définition et appel de function

   Travaux pratiquesObjectifs : Mettre en œuvre la syntaxe fondamentale de Python 
   Description : Saisie de notes dans un tableau numpy, affichage de la moyenne, de la plus petite et de la plus grande note. Chargement des notes depuis un fichier CSV (avec en tête), recherche du meilleur étudiant

    

   1.  

   Programmer objet en Python

   Limites de la programmation « simplement » structurée
   Philosophie, concepts, et vocabulaire de la programmation objet
   Représentation des données en programmation objet (classes, propriétés)
   Représentation des traitements (méthodes)
   Contrôler l’accès aux données (encapsulation)
   Exemples de classes prédéfinies en Python permettant de profiter pleinement de l’approche objet
   Cycle de vie d’un objet (constructeur, destructeur)
   Accéder aux attributs et fonctionnalités de l’objet cible (self)
   Comment les objets communiquent entre eux ?
   Classe mère et classe fille (héritage)
   Des fonctions différentes avec … le même nom (polymorphisme)
   Héritage simple et héritage multiple
   La fonction super()
   Protection des traitements (public, protected, private)
   Le mécanisme de traitement des exceptions
   Exemple de formalisme UML (diagramme de classe)
   Tour d’horizon des classes fondamentales existantes en Python
   Notion de Design Patterns

   Travaux pratiquesObjectifs : Savoir programmer objet en Python. Comprendre les liens entre les classes.
   Description : Mise en œuvre progressive d’un modèle objet en Python CLASSE, ELEVE, EXAMEN, NOTES regroupant l’ensemble des concepts vus dans ce chapitre et favorisant la réflexion sur les bonnes pratiques (encapsulation, héritage ? composition ?) tout en prenant en main la syntaxe de façon concrète.

   Types de données évolués

   Savoir choisir les bonnes structures de données
   Tuples, séquences et listes (append, extend, insert, …)
   Fonctions utiles avec les listes (filter, map, reduce)
   Gestion des piles ou des files
   La puissance des dictionnaires (tableaux associatifs)
   Construire une liste sur la base d’une expression (compréhension)

   Travaux pratiquesObjectifs : Savoir utiliser les listes en Python
   Description : Ajout à la classe ELEVE de propriétés (utilisation des list et set) sous la forme de label inclinés (utilisation de la librairie Matplotlib)

    

   2.  

   Compléments sur le langage Python

   Générateurs et itérateurs
   Scripts exécutables
   Opérateurs associés aux listes
   Enchaînement de tests par rapport aux listes
   Comparer les sequences

   Travaux pratiquesObjectifs : Savoir utiliser les itérateurs
   Description : Modification de la classe ResultatExamen afin qu’elle implémente un itérateur. Afficher dans un log les données qu’elle contient via l’utilisateur de l’itérateur (librairie logging)

   Les modules de Python

   Philosophie de Python avec les modules (standard, tiers, …) 
   Tour d’horizon des modules standards 
   Module re (expressions rationnelles)
   Modules os et sys (services du système d’exploitation)
   Module csv (fichiers structurés par séparateur)
   Comment trouver les modules ?
   Installer des modules tiers (setuptools, EasyInstall)
   Le dépôt central : Python Package index (Pypi)
   Importer des modules
   Mieux gérer son environnement avec Virtualenv

   Travaux pratiquesObjectifs : Maîtriser l’utilisation des modules en Python
   Description : Création d’un nouveau module en restructurant le projet précédent afin que les 2 classes Resultat et ResultatExamen soient dans un package note. On écrit ces données dans un fichier texte (librairie csv). On modularise notre projet afin de simplifier sa maintenance et sa livraison en respectant les bonnes pratiques

    

   3.  

   Gestion des données (fichiers, SGBD, XML)

   Accéder aux fichiers (objet File)
   Conformité des modules Python pour accéder à une base de données (DB-API)
   Python et requêtes SQL
   Filtrer les données grâce aux expressions régulières
   Présentation de la manipulation de flux XMl en Python (ElementTree)
   Manipuler des fichiers CSV Travaux pratiquesObjectifs : Savoir dialoguer avec une base de données de type SQL en encapsulant les traitements de lecture/écriture pour respecter les bonnes pratiques d’architecture
   Description : Construction d’un accès à une base MySQL ou PostgreSQL (librairies panda, psyco)
   Dans un module persistance, on construit une classe ResultatDao, qui permet toutes les actions standards sur la table résultats (insertion, mise à jour, suppression, lecture ciblée ou complète de la table).

    

   4.  

   Création d’interface graphique 

   Spécificités du développement d’interface graphique (programmation événementielle)
   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, les différents layouts.
   La gestion des événements, l’objet event.
   Les applications multifenêtres.
   Un petit mot sur la bibliothèque Qt

    

   Travaux pratiquesObjectifs : Mettre en œuvre une IHM en Python avec TkInter
   Description : Développement d’une maquette pour compléter l’atelier précédent sous forme graphique (menu, boîtes de dialogue, liste, boutons, …) afin de proposer une interface pour la saisie des actions de manipulations des données et l’affichage des résultats

   Qualité et outils 

   En quoi consiste l’assurance qualité d’un programme Python (QA) ?
   Vue d’ensemble de la « trousse à outils » proposée au développeur 
   Utiliser le plugin Eclipse pour Python (Pydev)
   Rechercher des bugs avec PyChecker
   Vérifier le respect des standards avec PyLint
   Utiliser le guide de style PEP 8 (Python Enhancement Proposals)
   Générer de la documentation
   Disposer de statistiques sur l’exécution de son programme (profiling)
   Comprendre l’intérêt des outils de Tests (Doctests, Unit tests)Travaux pratiquesObjectifs : Bien comprendre le champ fonctionnel de chaque outil présenté dans ce chapitre et savoir les utiliser
   Description : Audit de code Python ne respectant pas les standards professionnels en terme de lisibilité. Bonnes pratiques dans le Deboguage d’un programme. Mise en œuvre de tests unitaires simples. Génération de documentation. Repérage des parties consommatrices d’un programme Python d’analyse de données (profiling de l’application du TP d’extraction des données de data.gouv.fr).

    

Objectifs de la formation 

Cette formation Développement avancé avec Python vous apprend à maîtriser des fonctionnalités comme la gestion des graphiques, des bases de données, les liens avec les langages C et Java, le développement d’applications Web, et l’utilisation de framework comme Django.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Packager un projet Python
• Mettre en œuvre les manipulations avancées des primitives en Python        
• Gérer les bases de données avec Python
• Connaître la notion de concurrence avec Python

Appréhender le développement web avec Python

À qui s’adresse cette formation ?

Public :

Cette formation s’adresse aux développeurs Python.

Prérequis :

Avoir suivi la formation Python ou posséder des connaissances équivalentes.

modeste, seul ou en équipe.

Contenu du cours 

1. 1.   

   Packager un projet Python

   Projet vs bibliothèque  
   Gérer un projet avec pipenv
   Créer un wheel distribuable avec setup.cfg
   Compiler le code Python en un exécutable avec nuitka

   Manipulations avancées des primitives en Python

   Générer du code à la volée : factories puis métaclasses
   Décorateurs à plusieurs niveaux
   Context manager et décorateur à la fois
   Au delà de yield : la méthode send() des générateurs
   Monkey paching et autres injections de code
   Introspection du code

   Gestion des bases de données avec Python

   Base de données supportées
   SQL à la main avec la DB API
   Démonstration d’un ORM : SQLAlchemy ou Peewee

   Concurrence en Python

   Programmation non blocante avec les threads
   Le GIL et les limites des threads
   Exploiter plusieurs coeurs avec le multiprocessing
   I/O asynchrone avec asyncio

   Programmation graphique

   Différentes solutions : PyQt, Tkinter, PyGTK, wxWidgets et Kivy
   Caractéristiques de chaque solution.
   Travaux pratiques avec le module Tkinter.
   Création d’objets (fenêtres, boutons, …),
   Appel des méthodes associées (grid(), pack(), …)

   Développement web avec Python

   Les frameworks les plus populaires : Django, Pyramid, Flask, Zope …
   Le protocole HTTP
   Le cycle requête / réponse
   Mise en œuvre avec Flask

Objectifs de la formation 

Cette formation Analyse de données en Python permet aux participants dans un premier temps de découvrir et apprendre le langage Python puis de comprendre pourquoi Python est particulièrement bien adapté à toutes sortes de problèmes d’analyse de données

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Maîtriser les bases du langage Python
• Connaitre les aspects avancés en Python
• Savoir analyser des données en Python
• Savoir faire une représentation graphique de données en Python
• Acquérir des données externes en Python
• Comprendre les performances et la  parallélisation

À qui s’adresse cette formation ?

Public :

Cette formation est destinée à toute personne qui souhaite utiliser Python pour développer des applications de calcul scientifique ou d’analyse de données.

Prérequis :

Pour suivre cette formation Python Analyse de données, il est nécessaire de connaître au moins un langage de programmation.

Contenu du cours 

1. 1.

   Les bases du langage Python

   Les caractéristiques du langage Python
   Pourquoi choisir Python pour l’analyse de données ?
   Installation et configuration
   Philosophie de Python (indentation, objet, etc.)
   Les types de données
   Appels de fonctions et méthodes
   Structures de contrôles (boucle, test, exceptions)
   Structures de données et séquences (tuple, liste, primitives, dict)
   Les principales bibliothèques de Python (NumPy, Pandas, Matplotlib, Ipython, SciPy)

   Atelier :Installation et configuration de son environnement de développement
   Un premier programme simple permettant de résumer la syntaxe de base des grands concepts dans une approche mnémonique

   Aspects avancés en Python

   Espace de noms, périmètre et fonctions locales
   Manipuler les fonctions comme des objets
   Les fonctions anonymes (lambda)
   Syntaxe d’appels étendus (*args, **kwargs)

   Introduction à l’Analyse de Données en Python

   La manipulation de données par l’utilisation de la librairie Pandas
   Introduction du concept de Dataframe comme structure de données central pour l’analyse de données
   Comment interroger ces structures ? Comment ces structures sont indexées ?
   Traitement de « données manquantes »
   Fusion de dataframes
   Manipulation des dates
   Application de mesures statistiques variées sur les DataFrames
   Bonne compréhension des problèmes d’échelle de mesure, de normalisation
   Création de métriques d’analyse

   Atelier :Cet atelier permettra aux participants d’intégrer des données tabulaires et des séries temporelles, de les « nettoyer », les manipuler et d’y appliquer des analyses statistiques simples

   La représentation graphique de données en Python

   Introduction aux bases de la visualisation de données
   Focalisation sur la génération de graphes grâce à la librairie Matplotlib : démonstration de l’application de graphes Matplotlib à la visualisation de problèmes concretsAtelier :Cet atelier permettra de poursuivre les travaux de l’atelier précédent en générant des visualisations graphique illustrant les analyses de données réalisées

   L’acquisition de données externes en Python

   Les formats de données structurées : CSV, flux XML et JSON
   Lecture et écriture de fichiers
   Manipulation des données issues de ces fichiers par des structures Python adaptées
   Fonctions d‘accès et de download de données en ligne

   Atelier :Cet atelier permettra de réaliser un module de capture de données disponibles sur Internet
   Application à la capture de séries financières (indices de marché et cours de bourse)

   Analyses Statistiques en Python

   Présentation des principales bibliothèques d’analyse de données Python : NumPy, SciPy, IPython (Jupyter)
   Fonctions de manipulation et de calcul matriciel (Numpy)
   Fonctions de Statistiques Descriptives (SciPy) : quantiles et des fonctions de répartition pour
   différentes lois statistiques
   Fonctions de comparaison de populations, mesures d’association, etc  (SciPy)
   Fonctions de classification automatique (SciPy) : k-meansAtelier :Cet atelier permettra aux participants d’appliquer leurs connaissances à la réalisation d’un « mini atelier » d’Analyse Technique pour la Finance des Marchés :
   – Collecte automatique de séries financières
   – Calcul d’indicateurs : d’indicateurs simples (moyennes mobiles) à des indicateurs avancés (tel que le RSI et les Bandes de Bollinger)
   – Visualisation des résultats

   Performances et parallélisation

   Les outils pour lire l’activité (Timeit, cProfile)
   Paralléliser vos traitements avec le multiprocessing
   Calcul distribué avec la librairie Celery
   Les faiblesses du multithreading

   Atelier :Mise en œuvre de l’algorithme Map Reduce avec Celery

Objectifs de la formation 

Cette formation Python avancé pour le calcul scientifique de trois jours permet aux participants de découvrir les éléments avancés du langage Python dans un contexte de calculs scientifiques.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Calculer, estimer et inférer dans des data-set réels, bruités et de dimension importante
• Augmenter un data-set
• Réaliser des calculs plus précis
• Détecter des motifs approchant dans une bibliothèque de séquences
• Réaliser des prédictions sur des séries temporelles

Dépoter les calculs sur des architectures matérielles optimisées pour les calculs sans modifier le code

À qui s’adresse cette formation ?

Public :

Ce cours Python Calcul Scientifique s’adresse aux ingénieurs de développement et ingénieurs scientifiques.

Prérequis :

Pour suivre cette formation Python Calcul Scientifique, il est nécessaire de de connaître les éléments de base du langage Python (variables, fonctions, et structures de données) ainsi que les principes de fonctionnement des librairies scientifiques Python (Numpy, Scipy et Pandas).

Contenu du cours 

1. 1

   1. 
      
      

   Partie 1 – Éléments avancés du langage Python

   Éléments avancés du langage Python

   Éléments de programmation avancée avec les fonctions :
   – Les fonctions anonymes
   – Fonction dans une fonction
   – Les décorateurs
   – Comment se servir des décorateurs pour augmenter la vitesse d’exécution du code Python ?
   Utilité et exemple d’application
   Comment ça fonctionne ?

   Mise en oeuvre et exercices guidés

   Choix d’une partie facultative selon la demande et le rythme d’avancement.
   On complète cette première journée avec des éléments avancés de la librairie Pandas ou des points avancés du langage Python.

   Partie facultative du programme Python

   Traitement des dates et des heures en Python
   Les ensembles et collections :
   – Opérateur ‘splat’
   – Appel étendu et nombre infini d’arguments dans un appel de fonction

   Partie facultative du programme Pandas

   Brefs éléments de rappels de la librairie Pandas
   Multi-index avec Pandas
   Fusion de DataFrame
   Regroupement (groupby, split, apply, combine)

   Exercices guidés reprenant les notions sur des jeux de données réels

   2.  

   Partie 2 – Mise en oeuvre du langage Python : les librairies scientifiques avancées

   Comment aller au-delà des bibliothèques scientifiques de base que sont Matplotlib, Scipy et Numpy ?

   Des exercices sur des data-sets permettent d’explorer quelques librairies scientifiques avancées de détection et de prédictions

   Pattern Mining

   Comment utiliser Python pour détecter des pattern fréquents et des motifs cachés dans des données bruitées de très grandes dimensions ?
   – Recherche optimisée de séquences cibles dans une bibliothèque de séquences
   – Classification de série temporelles
   – Détection d’anomalies et prédictions

   Exercice guidé : application sur des séries temporelles et des data-set réels et bruités

   Comment réaliser des prédictions dynamiques sur des séries temporelles ?

   Panorama de librairies spécialisées  
   Comment appliquer les méthodes de prédictions bayésiennes avec Python ?
   Aller plus loin. Pistes afin de réaliser des prédictions sur des données dynamiques (online prediction) ?

   Exercice guidé autour d’un data-set réel

   3.  

   Partie 3 – Accélérer les calculs avec Python

   Panorama de quelques librairies qui permettent de combler l’écart entre Python et les langages compilés type C/C++
   Comment accélérer le traitement de ses dataframes Pandas afin d’économiser plusieurs ordres de grandeur de temps de calcul ?
   Quelles librairies pour déporter ses calculs sur carte graphique GPU sans modifier son code ?

   Exercice guidé avec Dask

   Partie 4 – Datavisualisation avancée avec Python

   Rappel et panorama des bibliothèques de visualisation (Matplotlib, Seaborn)
   Comment aller au-delà des bibliothèques standard ?
   Bref panorama de quelques bibliothèques avancées :
   – graphiques sur des données de flux (streaming)
   – graphiques interactifs
   – graphiques sur des données massives (Big Data) difficilement représentables avec les outils standards
   Comment représenter graphiquement les données de grandes dimensions ?  
   Méthodes avancées de projection pour les données de grandes dimensions

   Partie 5 – Exercice libre sur un exemple choisi afin d’utiliser les notions acquises pendant la formation

Objectifs de la formation 

Avec sa réputation d’excellent « langage glue », Python est la technologie idéale pour récupérer des données hétérogènes depuis des sources aux formes variées afin d’accumuler une base de connaissances.

 À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Comprendre les enjeux techniques et ethniques du scraping
• Connaître les différentes méthodes utilisées pour récupérer, traiter et stocker les données

Maîtriser les technologies existantes pour choisir la solution adaptée à votre besoin d’acquisition

À qui s’adresse cette formation ?

Public :

Ce cours Scraping Python cible principalement les programmeurs déjà à l’aise avec Python, ayant déjà des projets de taille moyenne à leur actif, et souhaitant mettre en œuvre leur propre outillage pour étoffer le stock de données dans lequel ils puissent piocher.

Prérequis :

Pour suivre ce cours Scraping Python, il faut être à l’aise avec le langage Python dans sa dernière version. 

Contenu du cours 

1. 1.

   La base du traitement par lot (scraping)

   Rappel des fondamentaux

   Parcourir le système de fichiers
   Gérer proprement l’encoding
   Lire et écrire des fichiers
   Analyser le JSON, le CSV et l’XML
   Les générateurs

   Travaux Pratiques

   Crawler une collection de CSV pour en faire un rapport statistique

   Parcours de données sur le Web

   Mon premier scraper

   Rappel sur le protocole HTTP
   Requêtes simples avec Request
   Stocker les données avec SQLAlchemy
   Analyser du HTML avec Beautiful Soup

   Travaux Pratiques

   Crawler les articles de Wikipédia sans passer par l’API, stocker le résultat en base

   Questions de performances

   Concurrence et parallélisme

   Threads et GIL
   Utiliser plusieurs cœurs avec le multiprocessing
   Programmation I/O asyncrone
   Performances et éthiques
   Utilisation d’une forme de cache : disque, RAM et redis
   Introduire un délai aléatoire
   Le fichier robot.txt

   Travaux Pratiques

   Crawler les articles de Wikipédia via l’API et Asyncio

   Les API professionnelles

   Concurrence et parallélisme

   Authentifications et token
   Anatomie d’une API REST
   Retry propre
   Gérer le rate limiting
   Gestion des erreurs
   Logging de l’application
   Exemple avec un client twitter fait à la main

   Travaux Pratiques

   Crawler les posts de twitter via l’API officielle en utilisant un client déjà existant

   Industrialiser le crawling

   Scrappy, un framework de scraping automatique

   Introduction aux mécanismes de base du framework

   Travaux Pratiques

   Crawler les articles de Wikipédia en utilisant scrappy

   Selenium, un browser headless

   Utiliser Selenium à la main
   Utiliser Scrappy et Selenium ensemble

   Travaux Pratiques

   Crawler les images et les commentaires d’imgur avec scrappy et selenium

Objectifs de la formation 

Cette formation Machine Learning avec Python vous propose de découvrir les concepts et les technologies du Machine Learning à travers le langage Python et sa bibliothèque Scikit-Learn qui propose tous les algorithmes standards. Vous apprendrez à développer de puissants modèles prédictifs dont les résultats vous surprendront par leur puissance et leur facilité de mise en œuvre.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Décrire les concepts du machine learning
• Connaître les principaux algorithmes utilisés en machine learning
• Utiliser la bibliothèque Scikit-Learn
• Mettre en œuvre le regroupement de données automatique (clustering)

Utiliser Azure Machine Learning

À qui s’adresse cette formation ?

Public :

Ce cours Machine Learning avec Python s’adresse à toute personne amenée à utiliser Python pour développer des modèles de prédiction dans n’importe quel domaine : scientifique, médical, bancaire, sécurité, data…

Prérequis :

Cette formation Machine Learning avec Python suppose de savoir développer et de connaître les bases de Python.

Contenu du cours 

1. 1.

   Fondamentaux du Machine Learning

   Les promesses du machine learning
   Les technologies sous-jacentes
   Liens entre Cloud, Big Data et Machine Learning
   Présentation du Deep Learning

   Travaux pratiques

   Parcours de différents résultats de programmes de machine learning afin de valider le vocabulaire et les concepts présentés dans ce chapitre (prévisions de tarifs, classification d’images, reconnaissance de textes, etc.)

   Les algorithmes standards

   Différences entre apprentissage supervisé et non supervisé
   La régression linéaire
   La régression logistique
   L’arbre de décision
   Les machines à vecteur de support (SVM)
   La classification selon Naive Bayes
   Les plus proches voisins
   Pourquoi faut-il parfois réduire les dimensions ?
   Les réseaux de neurones

   La bibliothèque Python (Scikit-Learn)

   Comment utiliser la documentation ?
   Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.)
   Représentation des données par des tableaux (Numpy, Scipy, Pandas, Python)
   Représentation d’une prédiction par une classe (prédicteur, classifieur, estimator)
   Comment choisir le bon algorithme d’apprentissage automatique ?

   Travaux pratiques

   Reconnaissance et classification d’images de fleurs selon des critères observables (chargement d’une base, découverte du contenu, observation des données, visualisation avec Seaborn, apprentissage, prédiction)

   Apprentissage non supervisé (clustering) en Python

   Explorer les données et les regrouper (clustering)
   Visualisation avec clustering hiérarchique et t-SNE
   Décorrélation des données et réduction des dimensions
   Découvrir des fonctionnalités interprétables
   Extraire des connaissances des textes (Text Mining)

   Travaux pratiques

   Extraction de sujets et de tendances à partir de gros volume de flux de données (exemple Twitter)
   Analyse de sentiments et démotions
   Classification automatique de textes dans une ou plusieurs catégories (Word2Vec, Doc2Vec, TF-DF)
   Retour sur l’atelier de la reconnaissance supervisée des fleurs pour le passer en mode non supervisé : réduction des dimensions, regroupement des données selon différents algorithmes (clustering) jusqu’à la mise en évidence de l’identification des groupes de familles de fleurs

   Azure Machine Learning

   Construire des modèles sans coder avec les outils du Cloud
   Les services proposés par Visual Studio, Azure et GitHub
   Valider les performances des modèles
   Déployer son modèle
   La préparation des données

   Travaux pratiques

   Construction d’un modèle de prédiction sous Visual Studio

Objectifs de la formation 

Cette formation Python Bonnes pratiques et Design patterns vous apprend les bonnes pratiques de programmation avec Python.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Appliquer des design patterns et des bonnes pratiques pour développer des applications avec Python
• Exploiter des fonctionnalités avancées de programmation Python pour concevoir des programmes fiables
• Créer et gérer des threads de contrôle concurrents
• Générer des requêtes et des réponses aux services Web REST et utiliser les données renvoyées
• Suivre l’exécution du programme et améliorer les performances
• Lancer des tests unitaires sur les programmes et les modules Python, les installer et les distribuer.

À qui s’adresse cette formation ?

Public :

Cette formation est destinée aux programmeurs, développeurs, ingénieurs en logiciels, testeurs et responsables techniques souhaitant approfondir leurs connaissances du langage Python.

Prérequis :

Afin de suivre ce stage, il est nécessaire d’avoir suivi la formation Python ou de posséder les connaissances équivalentes telles qu’une expérience professionnelle d’au moins 3 mois de programmation avec Python.

Contenu du cours 

1. 1.

   Programmation orientée objet avec Python

   Étendre les classes pour définir des sous-classes
   Hériter des plusieurs super-classes et classes mixin
   Ajouter des propriétés à une classe
   Définir des classes abstraites de base

   Fonctionnalités Python

   Écriture de code Python

   Personnaliser les itérations et les indexations avec des méthodes « magiques »
   Modifier le code de façon dynamique avec le « monkey patching »

   Traitement des exceptions

   Lever des exceptions personnalisées
   Réduire la complexité du code avec les gestionnaires de contexte et l’instruction with

   Vérification du code et tests unitaires

   Tests : Les bonnes pratiques

   Développer et lancer des tests unitaires Python
   Simplifier les tests automatiques avec le paquetage Nose

   Vérification du comportement du code

   Investiguer les dépendances entre objets avec le paquetage Mock
   Mettre en œuvre les assertions avec le paquetage MagicMock

   Recherche des erreurs et techniques de débogage

   Identification des erreurs

   Journaliser les messages pour les audits et le débogage
   Vérifier le code à la recherche de bogues avec PyLint

   Débogage du code Python

   Extraire les informations sur les erreurs à partir des exceptions
   Suivre l’exécution du programme avec l’environnement de développement intégré PyCharm

   Design patterns Python

   Patrons structurels

   Mettre en œuvre les patrons décorateurs avec @
   Contrôler les accès à un objet avec le patron Proxy

   Patrons comportementaux

   Utiliser le patron d’itération avec les générateurs Python
   Définir un algorithme squelette avec le patron de méthode
   Autoriser des couplages lâche entre classes avec le patron observateur

   Interface avec les clients et les services Web REST

   Services Web REST Python

   Développer un service REST
   Générer des réponses JSON pour des clients Ajax

   Clients REST Python

   Envoyer des requêtes REST depuis un client Python
   Utiliser les données JSON et XML renvoyées

   Mesure et amélioration de la performance de l’application

   Mesurer l’exécution de l’application

   Chronométrer l’exécution des fonctions avec le module « timeit »
   Suivre l’exécution du programme via « cProfile »
   Manipuler le suivi de l’exécution de manière interactive avec « pstats »

   Les fonctionnalités du langage Python pour l’optimisation des performances

   Déterminer les structures de données efficaces parmi listes, dictionnaires et tuples
   Transformer et filtrer des ensembles de données avec les compréhensions
   Remplacer l’interpréteur traditionnel Python par PyPy

   Installation et distribution de modules

   Gestion des versions des modules

   Installer les modules depuis le dépôt PyPi avec pip
   Portabilité du code entre les différentes versions de Python

   Paquetage des modules et des applications Python

   Définir des environnements Python isolés avec « virtualenv »
   Préparer la distribution d’un paquetage avec « setuptools »
   Importer les modules Python dans un dépôt local

   Exécution en parallèle

   Processus légers (threads)

   Créer et gérer plusieurs threads de contrôle avec la classe Thread
   Synchroniser des threads avec des verrous

   Traitements lourds

   Exécuter des commandes du système d’exploitation comme sous-processus
   Synchroniser des processus avec les files d’attente
   Exécuter des traitements en parallèle avec les groupes de processus et des exécuteurs

Objectifs de la formation 

Cette formation PyQt s’attache à la dimension GUI de Qt.
Elle vous permettra de savoir développer des interfaces graphiques pour les utilisateurs en Python, et ce de qualité professionnelle tant en termes de rendu que d’architecture.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Aborder l’ensemble des nombreux domaines fonctionnels abordés par le framework PyQt
• Architecturer son code selon le standard MVC
• Utiliser les Widgets proposés par Qt dans ses programmes Python
• Créer ses propres widgets
• Maîtriser la disposition et la cinématique des fenêtres
• Programmer les événements
• Gérer les styles
• Développer des tâches en parallèles (multihtreading)
• Utiliser les possibilités multimédia (son, vidéo, 3D, …)

À qui s’adresse cette formation ?

Public :

Ce cours PyQt cible principalement les développeurs Python, même relativement débutants. Des développeurs C++ connaissant un peu Qt mais débutant en Python peuvent aussi être intéressés par cette formation.

Prérequis :

Pour suivre cette formation PyQt dans de bonnes conditions, une certaine connaissance de Python est souhaitable. Il est a minima nécessaire d’avoir des connaissances dans un langage de programmation orienté objet.

Contenu du cours 

1. 1.

   Contexte d’usage de Qt et de PyQt

   Qu’est-ce que Qt ?
   Usage de Qt avec le langage Python (ou l’invention de PyQt)
   L’écosystème technique autour de PyQt
   Utilisation commerciale et industrielle de PyQt : quelques exemples

   Widgets en PyQt

   Un premier “Hello World”
   La notion de fenêtre et les objets associés en PyQt
   Notions de widget et de disposition (layout) en PyQt
   Inventaire des widgets principaux

   Disposition de fenêtres en PyQt

   Les différents procédés de disposition en PyQt
   QHBoxLayout et QVBoxLayout
   QGridLayout et QFormLayout
   Les autres contrôles de disposition

   Gestion des évènements en PyQt

   Les évènements en PyQt
   Focus sur pyqtSignal
   Les mots-clés partial et lambda

   La gestion des styles en PyQt

   Les polices avec QFont
   Les images avec QPixmap
   Icônes et ressources
   QPalette et QBrush
   Le QSS dans tous ses états

   Architecture avancée avec PyQt

   Adopter une architecture MVC
   Interagir avec une base de données
   Mapping de données en PyQt

   Multimédia en PyQt

   Les animations avec PyQt
   Détour par un autre framework : Pygame
   Gestion du son en PyQt
   Gestion de la vidéo en PyQt

   Le multithreading

   Les problèmes de freeze de l’interface
   QTimer
   QThread et QThreadPool

   Plus loin avec le framework

   Les couches basses et le réseau
   Diagramme de données en PyQt
   De la 3D !
   Un mot sur la micro-électronique

Objectifs de la formation 

Cette formation Python pour le Pentest traite des différents modules et cas d’utilisations de Python dans le cadre de tests d’intrusion.
Vous analyserez différentes problématiques rencontrées lors d’audits et les solutions que le scripting Python permet de mettre en place afin d’automatiser les tâches complexes et spécifiques.

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Faciliter le développement d’exploits en Python
• Interfacer différents langages avec Python
• Automatiser le traitement de tâches et automatiser les exploitations
• Contourner les solutions de sécurité

À qui s’adresse cette formation ?

Public :

Ce cours est destiné aux RSSI, aux consultants en sécurité, aux ingénieurs et techniciens et aux administrateurs systèmes et réseaux.

Prérequis :

Pour participer à cette formation Python pour le Pentest, vous devez avoir une connaissance basique du langage Python.

Contenu du cours 

1. 1.

   1.  

   Python pour le HTTP, requests

   Développement d’un système de recherche exhaustive
   Contournement de captcha

   Développement d’un modèle Python BurpSuite

   Introduction à BurpSuite
   Développement d’un module de détection passif de Web Application Firewalls

   Exploitation d’une injection SQL en aveugle

   Extraction bit à bit et analyse comportementale

   2.  

   Introduction aux tâches distribuées

   Introduction à l’attaque Slowloris
   Développement d’un exploit Slowloris distribué

   Python et l’altération HTTP

   Introduction à MITMProxy
   Développement d’un module “SSL Striping”

   Python et le forensics

   Volatility
   Hachoir
   Network Forensics avec Scapy

   3.  

   Le C et Python, Cython

   ctypes
   Développement d’un module Cython Antivirus et Backdoors

   Antivirus et Backdoors

   Shellcodes
   Création d’une porte dérobée avancée

   4.  

   Chaîne d’exploitation

   Exploitation de multiples vulnérabilités
   Création d’un exploit complet (POC)

   Travaux Pratiques : atelier final

   Capture the Flag

Objectifs de la formation 

Flask est un framework open-source de développement web en Python. Écrit après Django, l’autre grand framework Python, il a intégré le retour d’expérience de la communauté Python. Souvent plus explicite, il est plus simple d’accès pour un(e) débutant(e). Vous pouvez ainsi développer un site web ou une application web en gardant la souplesse du langage de programmation Python.

À qui s’adresse cette formation ?

Public :

Cette formation Flask s’adresse aux développeurs Python qui souhaitent créer et maintenir leurs premières applications à base de Web services.

Prérequis :

Pour suivre ce cours Flask, il est nécessaire de maîtriser le langage de programmation Python.

Contenu du cours 

1. 1.

   Introduction à Flask

   Pourquoi les frameworks web sont nécessaires
   Vue d’ensemble des frameworks Web Python disponibles
   Installation de Flask
   Routage des demandes pour afficher les fonctions

   Travaux Pratiques :

   Validation de la plateforme avec exposition d’un service REST élémentaire

   Construire une API REST avec Flask

   Servir des fichiers statiques
   Rendu de modèles avec Jinja2
   Produire du JSON, ou XML
   Émission de redirections
   Contexte d’application et contexte de demande
   Traitement des téléchargements de fichiers avec Flask-Uploads

   Travaux Pratiques :

   Application pour la construction de services REST pour l’exposition d’un contrat de gestion de données (contacts d’un agenda)

   Sécuriser une API REST

   Pourquoi ajouter de la sécurité à des échanges HTTP
   Plusieurs modes de sécurisation
   Gestion de session utilisateur avec Flask-Login et Flask-User
   L’interface d’administration créée par Flask-Admin
   Envoi d’email avec Flask-Mail

   Travaux Pratiques :

   Contrôle pour limiter les accès d’un service Web à un ensemble d’usagers

   Automatiser les phases d’un projet Web Python

   Étape de conception Swagger
   Étape de construction avec Conda
   Étape de déploiement d’applications Flask en production

   Travaux Pratiques :

   Gestion de projet depuis la conception jusqu’au déploiement derrière un serveur HTTP

Objectifs de la formation 

Cette formation Django vous permettra d’acquérir les connaissances nécessaires pour créer des applications Web avec le framework Django. Trois jours pour acquérir les bases du framework Django et disposer d’une bonne vue d’ensemble des différents modules à disposition et des possibilités

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Utiliser l’ORM, les vues et les templates
• Réaliser rapidement des projets web puissants
• Intégrer des modules externes

Gérer le déploiement et la maintenance de votre projet

À qui s’adresse cette formation ?

• Public :
• Cette formation Django s’adresse à tout développeur souhaitant acquérir les bases du framework Django.
• Prérequis :

Pour suivre cette formation Django dans de bonnes conditions, il est important de connaitre les bases du langage Python

Contenu du cours 

1. 1.

   Introduction à Django

   Rappels sur le protocole HTTP
   Comprendre la structure d’un projet Django
   Revue générale du fichier settings.py
   Le routing, via urls.py
   Les vues, et les objets de requête / réponse
   Template, liens, tags et filtres

   L’ORM Django

   Bases de données prises en charge
   Créer des modèles, types de champs
   Accès aux données avec les querysets
   Champs relationnels et Managers
   Agrégation et annotations de requêtes
   Modèles de bases : utilisateur et groupes
   Comment fonctionne les Class Based Views

   L’interface d’administration de Django

   Installer l’interface d’administration
   Comptes utilisateurs et droits
   Publier des modèles dans l’interface

   Workflow de l’utilisateur

   GET, POST et COOKIES
   Authentification et session
   Les middlewares
   Les formulaires

   Gestion des formulaires

   Créer un formulaire
   Les types de champs
   Validation des données
   Créer des champs personnalisés
   Personnaliser l’apparence
   Utiliser AJAX pour la soumission
   Upload de fichiers
   Protections CSRF

   Internationalisation

   Internationaliser une application
   Gestion des fichiers de langues
   Traductions javascript
   Détection du langage utilisateur

   Déploiement et maintenance

   Intégration dans Apache ou Nginx : le protocole WSGI
   Gestion des fichiers statiques
   Django-debug-toolbar

Objectifs de la formation 

Cette formation ZOPE création d’une application vous permet de connaître le serveur d’applications, le component Architecture, le Framework MVC (Grok) et l’intégration WSGI (Web Server Gateway Interface).

À l’issue de cette formation, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Connaître le serveur d’applications
• Connaître le component Architecture
• Connaître le Framework MVC (Grok)

Connaître l’intégration WSGI (Web Server Gateway Interface

À qui s’adresse cette formation ?

Public :

Cette formation Zope concerne les Gestionnaires d’applications, administrateurs système, webmestres, développeurs de sites, programmeurs.

Prérequis :

Cette formation zope nécessite des donnaissances sur les technologies du Web (XML, XHTML) et de Python et/ou une expérience d’intégrateur sur Plone. Idéalement avoir suivi la formation Python.

Contenu du cours 

1. 1.

   Introduction à Zope

   Etat actuel des technologies
   Les frameworks de Zope : Zope 2, Zope 3 (Component Architecture),   Repoze, Grok
   Les plates-formes populaires construites avec Zope
   Les conventions des développeurs

   Mettre en place  un environnement de développement Zope

   Python
   Zope
   Connaître les nouvelles librairies de développement (Zope 3) : Zope interface, Zope schéma, etc…
   Aspects de déploiement

   Architecture de composants de Zope, les concepts

   Notion d’interface – Notion de composant
   Adaptation d’interface, Adaptateurs et Browser Views (Multi-Adaptateurs)
   Configuration avec le ZCML (Zope Configuration Markup Language)

   Les outils de développement de Zope

   Présentation avec les Page Templates
   Templates et Browser Views (logique de présentation)
   Composants de contenus persistants (via la base de données objet de Zope : ZODB)
   Formulaires d’interaction avec la librairie zope.formlib (AddForm, EditForm, DisplayForm)
   Indexation et recherche

   Zope : pratiques de développement recommandées

   Tests unitaires avec doctest
   Tests fonctionnels

   Introduction à Grok

   De Zope 3 à Grok – Principes et intérêts de l’approche Grok
   Installation des librairies complémentaires pour Grok

   Tutoriel de mise en oeuvre d’une application avec Grok

   Modèle de données (Model-View-Controler)
   Formulaires auto-générés
   Présentation : Classes de Browser View & Templates

   Pour aller plus loin avec Zope

   L’API de Grok
   Les interfaces R.E.S.T