Python, programmation objet
- Durée
- Durée :5 jours
- Niveau
- Niveau :Fondamental
- Certification
- Certification :Non
2890€ HT
Prochaine session :
Dask : mise en œuvre de la programmation parallèle en Python
Mise à l'échelle des outils PythonProgramme de la formation
Objectif opérationnel :
Savoir mettre en œuvre Dask pour paralléliser des calculs en Python.
Objectifs pédagogiques :
À l'issue de cette formation Dask, vous aurez acquis les connaissances et compétences nécessaires pour :
- Savoir utiliser les DataFrames
- Faciliter la mise à l’échelle des bibliothèques PyData
- Mettre à l’échelle différents types de codes
- Comprendre comment déployer localement des tâches à l’aide de plusieurs processus Python
Introduction
Présentation de Dask, fonctionnalités, apports.Comparaison avec d'autres environnements : yarn, spark.
Calculs parallèles en environnements distribués, ou sur un seul serveur.
Les composants de Dask : scheduler, collections BigData.
Premiers pas avec Dask
Différentes méthodes d'installation : Anaconda, pip, depuis les sourcesAtelierInstallation, et création d'objets Dask, choix des méthodes et tâches, visualisation des graphes d'exécution. exécution par le schedulerÉléments de base
Array : cas d'usages, compatibilité NumPy, définition de chunks, exemples, bonnes pratiquesAtelierCréation, stockage de Dask ArrayBag : définition, limitesAtelierExemple de création, stockage, calcul sur des Dask BagsDask Dataframes : regroupement de dataframes pandas, stockage sur disque ou dans un cluster, critères de choix par rapport aux dataframes pandas, bonne pratiques, compatibilité avec Parquet, intégration de tables SQLAtelierMise en œuvre de dask.dataframes et comparaison avec pandasDelayed ou Futures : une exécution stockée dans un graphe d'actions, ou en temps réel, critères de choixFonctionnement avancé
Gestion des performancesConfiguration du scheduler
Les graphes d'exécution
Utilisation du dashboard
Outils de debuggingAtelierTests de performances et debugging
Dask.distributed
Fonctionnalités : exécution dans un environnement distribué ou en local, outils de diagnostic et de suivi des performances, utilisation de l'API Futures pour des calculs en temps réelArchitecture : dask-scheduler et dask-workerAtelierMise en œuvre de dask.distributed : installation, configuration, initialisation d'un client.Présentation du dashboard
Analyse des performances
Limites de Dask.distributed
Bonnes pratiques
Dask-ML
Apports : utiliser les outils classiques de machine learning comme scikit-learn dans un environnement DaskExemples d'utilisation : modèles complexes, volumes de données importants
Présentation de Dask-ML et principe de fonctionnement
Intégration scikit-learn, PyTorch, Keras / TensorflowAtelierInstallation et exemples avec scikit-learn
Public cible :
Ce cours s'adresse aux chefs de projet, data scientists, développeurs et architectes.
Prérequis :
Des connaissances préalables de Python sont nécessaires pour suivre cette formation. Vous pouvez les acquérir en suivant la formation Python, programmation objet (OPYT).
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Date de mise à jour du programme : 08/10/2025
Dates et lieux
Période souhaitée
Lieux
Type d'affichage