Objectifs de la formation Dask

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

À qui s'adresse cette formation ?

Public :

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 ce test.

Contenu du cours Dask

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 scheduler

Éléments 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 choix

Fonctionnement avancé

Gestion des performances
Configuration 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 réel
Architecture : 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 Dask
Exemples 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

Date de mise à jour du programme : 08/10/2025

Dates et lieux

Période souhaitée

Lieux

Du 03 au 05 novembre 2025

Lieu

Distanciel

Durée

3 jrs

2510 € HT

Du 03 au 05 novembre 2025

Lieu

Paris

Durée

3 jrs

2510 € HT

Ces formations peuvent aussi vous intéresser :

Python, programmation objet

- 5 jrs

Python par la pratique

Niveau : Fondamental
Éligible CPF : Oui

Référence : OPYT

2890 € HT

Python, perfectionnement

- 4 jrs

Niveau : Avancé
Éligible CPF : Oui

Référence : OPYA

2490 € HT

Développement d'interfaces graphiques avec Tkinter

- 3 jrs

Créer des applications graphiques interactives en Python avec Tkinter et CustomTkinter

Niveau : Fondamental

Référence : DIGT

1990 € HT

PyQt : Créer des interfaces graphiques en Python avec la bibliothèque Qt