- Référence : OPYA
- Durée : 4 jours (28h)
- Lieu : Au choix. À distance ou en présentiel, à Paris ou en Régions
2490€ HT
Choisir une date et RéserverFormation Python, perfectionnement
4.7 sur 5 étoiles
5 étoiles
4 étoiles
3 étoiles
2 étoiles
1 étoile
Durée
4 jours
Niveau
Avancé
Classe à distance
Possible
Vous pouvez suivre cette formation en direct depuis votre domicile ou votre lieu de travail. Plus d'informations sur notre solution de classe à distance...
Référence
OPYA
Éligible CPF
Non
Cette formation vous apprend à maîtriser les techniques avancées de programmation en Python que vos applications soient exigeantes (parallélisme, calcul scientifique, …) ou simplement soucieuses de profiter des possibilités de Python pour proposer des applications bien écrites et faciles à maintenir et à déployer (packaging) dans les projets professionnels.
Le succès grandissant de Python s’explique en partie par la richesse de ses bibliothèques et notamment dans les domaines en expansion actuellement comme l’analyse de données, le calcul scientifique, ou encore le machine learning. Nous vous présentons ces bibliothèques (anciennes et récentes) qui ont contribué au succès de Python (NumPy, Pandas, Matplotlib, Ipython, SciPy, MapReduce, PySpark, PySNMP, …) à travers des exemples qui traduisent tout leur potentiel pour manipuler les données et qui vous feront gagner du temps pour une première utilisation.
Les concepts importants sont toujours au cœur des TP. La trame de ces derniers fait office à la fois de synthèse réutilisable pour vos propres développements futurs en Python mais aussi de révision lorsque vous vous replongerez dedans.
Objectif opérationnel :
Savoir utiliser Python pour développer des applications plus performantes et optimisées.
Objectifs pédagogiques :
Concrètement, à l'issue de cette formation Python Développement Avancé, vous saurez :
- Approfondir la connaissance des concepts avancés de Python
- Utiliser les techniques avancées du langage Python
- Optimiser les performances de vos programmes à l'aide du monitoring et du parallélisme
- Packager et déployer ses artefacts Python
- Exploiter des librairies contribuant au succès du langage (data science & machine Learning, cybersécurité, développement web, logiciels et outils...)
Public :
Ce cours s’adresse aux développeurs et ingénieurs déjà familiarisés avec le langage Python souhaitant parfaire ou enrichir leur connaissance de ce langage en étant pertinent dans les choix d’implémentations (structures de données, fonctions utilisées, architecture du code, etc.).
Elle intéressera particulièrement toute personne cherchant à comprendre comment optimiser une application existante en Python (monitoring, parallélisme) ainsi que toute personne participant à un projet de développement en Python dans un projet scientifique, d’analyse de données, d’IA, de machine learning ou encore de supervision réseau et qui souhaite disposer d’une vue claire sur les bibliothèques disponibles et la mise en œuvre des standards.
Prérequis :
Les participants à cette formation doivent posséder de bonnes connaissances de développement en Python validées par au moins un premier projet de développement. La formation ne revient pas sur la syntaxe de base de Python et se contente d’un rappel en début de formation. Ces prérequis sont indispensables pour garantir une compréhension continue de la formation et pour participer aux travaux pratiques de façon active.
Avoir suivi la formation Python (OPYT) ou posséder des connaissances équivalentes.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant ce test.
Jour 1
Schéma de fonctionnement de la mémoire d’un programme Python (variables locales, passage par valeur/référence, variables non mutable, etc.)
Rappels sur les différences entre tableaux, listes, dictionnaires, slices, etc
Les fonctions anonymes (lambda)
Syntaxe d’appels étendus (*args, **kwargs)
Intérêts de déterminer le type d’un objet, d’une méthode, ou d’un module (introspection)
Synthèse sur les concepts objets en Python (classes, héritage, décorateurs, méthodes magiques) Nouveautés Python : match caseTravaux pratiquesObjectif : Valider que les concepts et la syntaxe de Python sont maîtrisés
Description : Quiz ludique (bêtisier des erreurs classiques en Python). Écriture d’une fonction qui extrait une sous liste à partir d’une liste selon une fonction de critères passée en argument. Écriture d’une fonction qui « nettoie » un tableau passé en argument selon un dictionnaire de symboles « interdits » et présents dans un fichier texte.
Projet vs bibliothèque, architecture standard d’un projet
Outils modernes : pip, easy_install , setuptools, pyproject.toml, build, twine
Isolation des environnements : venv, virtualenv, pipenv, poetry
Déploiement dans PyPI ou en interne
Compiler le code Python en un exécutable avec nuitka
Isoler des dépendances lors de l’exécution avec pipx
Créer un wheel distribuable avec setup.cfgTravaux pratiquesObjectif : Valider que l’environnement de développement est maîtrisé ainsi que le packaging de ses applications
Description : Création d‘un environnement virtuel (virtualenv) pour tester l’installation de modules de versions différentes sur des versions différentes de Python (plusieurs projets sur une même machine sans interférence). Packaging de l’une de nos propres librairies et installation dans l’environnement virtualisé des autres participants.Jour 2
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 codeTravaux pratiquesObjectif : Savoir mettre en œuvre l’introspection et les factories
Description : Mise en œuvre de l’introspection (appel de fonction avec arguments dans le « désordre ») Utilisation d’une classe différente selon le processus de connexion (login/password ou annuaire par exemple) avec les usines de classe (Factories)
Le GIL et les limites des threads
Exploiter plusieurs coeurs avec le multiprocessing
I/O asynchrone avec asyncio (async, await, boucle d’évènement)
Les outils pour lire l’activité (Timeit, cProfile, lineProfiler, memory_profioler)
Calcul distribué avec la librairie Celery ou jobLibTravaux pratiquesObjectif : Savoir manipuler les threads en Python pour gagner en performances
Description : Mise en œuvre de l’algorithme Map Reduce avec Celery. Observations des appels et du temps passé dans les différentes fonctions pour diagnostiquer où se situe le goulot d’étranglement.Jour 3
Manipulation des données issues de ces fichiers par des structures Python adaptées
Le parseur XML ElementTree
Fonctions d‘accès et de download de données en ligne
A quoi sert un ORM (Object-relational Mapper) ?
Synchronisation des objets Python avec une base SQL (ORM sqlAlchemy)
Principes des API et des Web Services
Consommation des API et des Web Services en Python : Rest, JSON, AuthentificationTravaux pratiquesObjectif : Savoir manipuler des flux XML ou JSON
Description : Appel à une API publique, traitement via pandas, extraction de statistiques, stockage en base SQLite.
Les librairies Matplotlib et seaborn
Diagrammes simples, séries temporelles, histogrammes
Démonstration de l’application de graphes Matplotlib à la visualisation de problèmes concretsTravaux pratiquesObjectif : Savoir utiliser la bibliothèque MatplotLib
Description : Poursuite de l’atelier précédent en générant des visualisations graphiques illustrant les analyses de données réaliséesJour 4
Introduction au concept de DataFrame
Présentation rapide des principaux formats de données (CSV, JSON, Excel, SQL)
Chargement et nettoyage de données avec Pandas
Manipuler et analyser les données avec Pandas : sélection, filtres, regroupements, agrégations
Visualisation rapide des données avec Pandas Travaux pratiquesObjectif : Savoir manipuler un jeu de données avec Pandas.
Description : Les participants chargeront un fichier CSV ou JSON, corrigeront les données manquantes ou erronées, puis appliqueront des opérations d’analyse (filtres, regroupements, statistiques descriptives). Quelques visualisations simples permettront d’illustrer les premiers résultats.
Statistiques descriptives et tests avec SciPy
Introduction aux concepts et au vocabulaire de l’IA (apprentissage supervisé/non supervisé)
Classification non supervisée : k-means
Principaux algorithmes de Scikit-learn pour le machine learning : Clasification, régression…
Pipeline type : préparation des données, entraînement, évaluation
Mise en œuvre d’un modèle supervisé (classification ou régression)
Évaluation des performances (précision, score, matrice de confusion)Travaux pratiquesObjectifs : Comprendre le champ fonctionnel de chaque librairie et leurs dépendances ou complémentarités. Savoir mettre en œuvre NumPy et SciPy pour le calcul scientifique et l’analyse de données.
Description : Mise en œuvre de NumPy et SciPy dans le contexte de l’analyse financière (Collecte de données, intégration, nettoyage, calcul, analyse). Visualisation avec Matplotlib., Clasification des transactions avec Scikit-learn
Rappels importants sur le langage et compléments
Le typage fort en PythonSchéma de fonctionnement de la mémoire d’un programme Python (variables locales, passage par valeur/référence, variables non mutable, etc.)
Rappels sur les différences entre tableaux, listes, dictionnaires, slices, etc
Les fonctions anonymes (lambda)
Syntaxe d’appels étendus (*args, **kwargs)
Intérêts de déterminer le type d’un objet, d’une méthode, ou d’un module (introspection)
Synthèse sur les concepts objets en Python (classes, héritage, décorateurs, méthodes magiques) Nouveautés Python : match caseTravaux pratiquesObjectif : Valider que les concepts et la syntaxe de Python sont maîtrisés
Description : Quiz ludique (bêtisier des erreurs classiques en Python). Écriture d’une fonction qui extrait une sous liste à partir d’une liste selon une fonction de critères passée en argument. Écriture d’une fonction qui « nettoie » un tableau passé en argument selon un dictionnaire de symboles « interdits » et présents dans un fichier texte.
Packager et déployer votre code Python
En quoi consiste le packaging de code ?Projet vs bibliothèque, architecture standard d’un projet
Outils modernes : pip, easy_install , setuptools, pyproject.toml, build, twine
Isolation des environnements : venv, virtualenv, pipenv, poetry
Déploiement dans PyPI ou en interne
Compiler le code Python en un exécutable avec nuitka
Isoler des dépendances lors de l’exécution avec pipx
Créer un wheel distribuable avec setup.cfgTravaux pratiquesObjectif : Valider que l’environnement de développement est maîtrisé ainsi que le packaging de ses applications
Description : Création d‘un environnement virtuel (virtualenv) pour tester l’installation de modules de versions différentes sur des versions différentes de Python (plusieurs projets sur une même machine sans interférence). Packaging de l’une de nos propres librairies et installation dans l’environnement virtualisé des autres participants.Jour 2
Manipulations avancées des primitives en Python
Générer du code à la volée : factories puis métaclassesDécorateurs 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 codeTravaux pratiquesObjectif : Savoir mettre en œuvre l’introspection et les factories
Description : Mise en œuvre de l’introspection (appel de fonction avec arguments dans le « désordre ») Utilisation d’une classe différente selon le processus de connexion (login/password ou annuaire par exemple) avec les usines de classe (Factories)
Performances et parallélisation
Programmation non blocante avec les threadsLe GIL et les limites des threads
Exploiter plusieurs coeurs avec le multiprocessing
I/O asynchrone avec asyncio (async, await, boucle d’évènement)
Les outils pour lire l’activité (Timeit, cProfile, lineProfiler, memory_profioler)
Calcul distribué avec la librairie Celery ou jobLibTravaux pratiquesObjectif : Savoir manipuler les threads en Python pour gagner en performances
Description : Mise en œuvre de l’algorithme Map Reduce avec Celery. Observations des appels et du temps passé dans les différentes fonctions pour diagnostiquer où se situe le goulot d’étranglement.Jour 3
Données structurées, Base de données et API
Rappels sur les formats de données structurées : CSV, flux XML et JSONManipulation des données issues de ces fichiers par des structures Python adaptées
Le parseur XML ElementTree
Fonctions d‘accès et de download de données en ligne
A quoi sert un ORM (Object-relational Mapper) ?
Synchronisation des objets Python avec une base SQL (ORM sqlAlchemy)
Principes des API et des Web Services
Consommation des API et des Web Services en Python : Rest, JSON, AuthentificationTravaux pratiquesObjectif : Savoir manipuler des flux XML ou JSON
Description : Appel à une API publique, traitement via pandas, extraction de statistiques, stockage en base SQLite.
La représentation graphique de données en Python
Introduction aux bases de la visualisation de donnéesLes librairies Matplotlib et seaborn
Diagrammes simples, séries temporelles, histogrammes
Démonstration de l’application de graphes Matplotlib à la visualisation de problèmes concretsTravaux pratiquesObjectif : Savoir utiliser la bibliothèque MatplotLib
Description : Poursuite de l’atelier précédent en générant des visualisations graphiques illustrant les analyses de données réaliséesJour 4
Analyse exploratoire avec Pandas
En quoi consiste l’analyse de données ? Cas d’usage en entrepriseIntroduction au concept de DataFrame
Présentation rapide des principaux formats de données (CSV, JSON, Excel, SQL)
Chargement et nettoyage de données avec Pandas
Manipuler et analyser les données avec Pandas : sélection, filtres, regroupements, agrégations
Visualisation rapide des données avec Pandas Travaux pratiquesObjectif : Savoir manipuler un jeu de données avec Pandas.
Description : Les participants chargeront un fichier CSV ou JSON, corrigeront les données manquantes ou erronées, puis appliqueront des opérations d’analyse (filtres, regroupements, statistiques descriptives). Quelques visualisations simples permettront d’illustrer les premiers résultats.
Calcul scientifique et Machine Learning
Introduction à NumPy : vecteurs, matrices, calculsStatistiques descriptives et tests avec SciPy
Introduction aux concepts et au vocabulaire de l’IA (apprentissage supervisé/non supervisé)
Classification non supervisée : k-means
Principaux algorithmes de Scikit-learn pour le machine learning : Clasification, régression…
Pipeline type : préparation des données, entraînement, évaluation
Mise en œuvre d’un modèle supervisé (classification ou régression)
Évaluation des performances (précision, score, matrice de confusion)Travaux pratiquesObjectifs : Comprendre le champ fonctionnel de chaque librairie et leurs dépendances ou complémentarités. Savoir mettre en œuvre NumPy et SciPy pour le calcul scientifique et l’analyse de données.
Description : Mise en œuvre de NumPy et SciPy dans le contexte de l’analyse financière (Collecte de données, intégration, nettoyage, calcul, analyse). Visualisation avec Matplotlib., Clasification des transactions avec Scikit-learn
Les travaux pratiques sont conçus dans une approche pédagogique qui permet de valider les acquis et pas seulement de disposer d’un exemple concret de mise en œuvre. Les concepts importants sont donc toujours au cœur du TP et la trame de ces derniers fait office à la fois de synthèse réutilisable pour vos propres développements futurs en Python mais aussi de révision lorsque vous vous replongerez dedans.
Tous les chapitres de la formation font l’objet de travaux pratiques et vous aurez également l’occasion de mettre en œuvre, entre autres, les bibliothèques très utilisées comme Pandas, NumPy et SciPy sans que l’on cherche à être exhaustif sur leurs possibilités mais afin que vous soyez autonome pour un premier niveau d’utilisation.
Dates et lieux
1
2
3
1
2
3
Votre formation Python Perfectionnement prise en charge jusqu'à 100% des coûts pédagogiques ! *
Depuis 2011, Atlas (ex-Fafiec) a sélectionné PLB Consultant pour vous proposer les meilleures formations autour du développement objet avec .NET, Java et C++.
- Sessions inter-entreprise sur Paris en province.
- Sessions intra-entreprise sur toute la France.
* jusqu'à 100% des coûts pédagogiques selon votre branche d'activité dans la limite des fonds mutualisés dédiés aux actions collectives et en application des critères de prise en charge en vigueur (cf conditions détaillées sur le site d'Atlas)
Vous pouvez retrouver le lien direct vers cette formation sur le site d'Atlas, à l'adresse suivante :
Avis des participants à la formation Python, perfectionnement
Les avis figurant ci-dessous sont issus des fiches d’évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.
GB
5/5
Mon avis sur le contenu du stage :
"La formation est très complète, avec de nombreuses notions abordées tout au long du programme. Certaines parties peuvent être adaptées en fonction du profil et des demandes des participants, ce qui permet de cibler les besoins spécifiques. Un large panel de fonctionnalités Python est exploré, ponctué par des exercices pratiques pour mieux comprendre et assimiler les concepts présentés."
Mon avis sur le formateur :
"Le formateur est très compétent et maîtrise parfaitement le sujet. Il sait s’adapter à son public, répondre aux demandes et adapter son approche en fonction de chacun. La formation est très bien construite, riche et complète, et malgré la densité du contenu, il réussit à garder l’attention du début à la fin grâce à sa façon de transmettre, toujours claire et engageante."
Ce que j'ai le plus apprécié :
"Les cours sont très complets, accompagnés de nombreux exercices, TP et ressources utiles (sites, supports, etc.). La possibilité d’accéder à une machine virtuelle en cas de besoin est un vrai plus. J’ai suivi la formation en visioconférence et tout s’est déroulé sans le moindre problème technique."
Ce que j'ai le moins apprécié :
"Le format hybride (présentiel + visio) peut rendre les interactions un peu moins naturelles pour les participants à distance, notamment lors des échanges spontanés."
RAMDANE Samy
4/5
Mon avis sur le contenu du stage :
"Cette formation Python avancée couvre divers sujets intéressants, cela m'a permis d'enrichir ma culture générale en python. Cependant, je pense que commencer par la formation Python de base, axée sur la programmation orientée objet, aurait été plus approprié pour moi et aurait mieux répondu à mes attentes. Les travaux pratiques sont difficiles à terminer et à bien comprendre parfois (Exemple : J2 - exercice : Gestion de Données de Produits). Il serait utile de faire des exercices plus élémentaires et des jeux de données les plus simples possible pour mieux maîtriser les concepts théorique. Le côté positif est que le formateur a pris le soin de mettre à disposition toutes les ressources nécessaires pour revoir les concepts abordés."
Mon avis sur le formateur :
"Le formateur a fait preuve d'une bonne pédagogie. Il a répondu avec patience et bienveillance à toutes mes questions, et n'a pas hésité à faire de son mieux pour combler mes lacunes en prérequis, surtout en ce qui concerne la programmation orientée objet. Il a également fourni de nombreuses références et ressources pour nous permettre de poursuivre notre apprentissage post-formation ."
Ce que j'ai le plus apprécié :
"Environnement PLB simple à utiliser"
Ce que j'ai le moins apprécié :
"RAS"
PC
4/5
Mon avis sur le contenu du stage :
"Le cours a couvert plusieurs aspects tres diverses, avec la théorie et les exercises. Je pense que c'est une tres bonne continuation du premier cours Python Orienté Objets"
Mon avis sur le formateur :
"J'ai apprécié la disponibilité de Jeremy pour partager ses experiences et pour aider a résoudre les exercises. Ainsi que son intérêt pour améliorer la formation.La passion que lui montre dans les examples et cas d'etude (challenges) démontrent son experience et l'application des skills et concepts dans la practique, c'est tres intéressant savoir que les skills Python peuvent être utilises dans l'experience professionnel et les projets personnels. Merci Jeremy"
Ce que j'ai le plus apprécié :
"Dans le 1er cours Python on avait un support slides pour la théorie, avoir combiné les contenus dans 1 seul Jupyter notebook c'est mieux"
QB
5/5
Mon avis sur le contenu du stage :
"On voit énormément de choses dans cette formation Python, certaines plus complexes que d'autres. J'ai apprécié y participer même si certains concepts sont difficiles à comprendre quand on ne vient pas du tout de ce milieu. J'en ressors avec une meilleure compréhension du langage en lui-même ainsi que de bonnes bases pour expérimenter l'analyse et la gestion de données dans des projets personnels ou dans mon travail."
Mon avis sur le formateur :
"Le formateur a une excellente connaissance de Python et arrive facilement à nous transmettre sa passion. Si nous avons un problème de compréhension il fera toujours le nécessaire pour qu'on finisse par bien comprendre (même sur des concepts plus complexes comme le multi threading par exemple). C'était un plaisir de participer à cette formation avec lui !"
FL
4/5
Mon avis sur le contenu du stage :
"Il aurait fallu en complément que les sessions soient enregistrées en vidéo afin davoir un complément de correction au support fourni."
Ce que j'ai le moins apprécié :
"Les formations en distanciel ne sont pas adaptées à des grands groups. Nous étions 13 participent et onavait l'impression que seul 3 ou 4 étaient là. Les gransd moments de blanc que le prof a du mal à combler. Soit l'organisme fait du distantiel en petit comité soit si vous voulez faire des grands groupes re-proposer les formations en présentiel svp sinon c'est inhumain pour tous et dépriment. P.S. Ne me répondez pas qu'il y a des formation en présentiel car elles sont toutes reprogrammé en distentiel !"
AJ
5/5
Mon avis sur le contenu du stage :
"La formation est de très bonne qualité technique. La seule chose que j'aurais aimé dans les TP est d'avoir toujours un bout de code pour démarrer les TPs plûtot que de démarrer from scratch."
Mon avis sur le formateur :
"Rien à dire. Très bon intervenant"
Ce que j'ai le plus apprécié :
"Tres bonne qualité de la conversation teams."
Ce que j'ai le moins apprécié :
"Etant en distanciel, on n'entend pas toujours très bien les personnes qui sont en presentiel."
PX
5/5
Mon avis sur le contenu du stage :
"N/A"
Mon avis sur le formateur :
"Animateur Excellent"
Ce que j'ai le plus apprécié :
"Environnement de travail"
Ce que j'ai le moins apprécié :
"Problème de son pour interagir avec le reste de la salle une pieuvre est nécessaire. Pas de possibilité de copier des fichiers vers ou depuis la VM sans passer pas wetransfer"
SL
5/5
Mon avis sur le contenu du stage :
"J'aurais aimé coder un peu plus. Le récap' du matin est très utile."
Mon avis sur le formateur :
"Très pédagogue, patient, s'adapte à nos besoins, sait bien répondre à nos questions. Très pertinent. Et très sympa :)"
Ce que j'ai le plus apprécié :
"- Les mails avant la formation sont utiles - La plateforme PLB est bien faite et intuitive"
OA
5/5
Mon avis sur le contenu du stage :
"J'ai particulièrement apprécié le support interactif qui nous permettait en live de tester des chose directement sur le support"
Ce que j'ai le plus apprécié :
"Le support de cour"
Ce que j'ai le moins apprécié :
"Manque d'information sur les environnements virtuels (même si pas besoin personnellement mais c'était le cas pour certaines personne)"
LAMBERT Hervé
5/5
Mon avis sur le contenu du stage :
"Qualité du contenu excellent. Excellent formateur qui adore Python, ça se sent."
Mon avis sur le formateur :
"Excellent "
Mon avis sur la salle de formation :
"Problème de retro projecteur en présentiel. C'était flou et très embêtant "
Ce que j'ai le plus apprécié :
"Le formateur, "
BC
4/5
Mon avis sur le contenu du stage :
"Manque des template pour les tp les plus poussés"
Mon avis sur le formateur :
"Manque les prévisions des horaires"
Ce que j'ai le plus apprécié :
"Machine VM bien configurée"
Ce que j'ai le moins apprécié :
"Mauvais son avec les participants dans la salle"
NGUYEN Thomas
5/5
Mon avis sur le contenu du stage :
"Le cours est très utile pour moi."
Mon avis sur le formateur :
"Je suis très content. Jérémy est un bon formateur, très pédagogique"
Ce que j'ai le plus apprécié :
"tous"
Ce que j'ai le moins apprécié :
"non"
CD
5/5
Mon avis sur le contenu du stage :
"beaucoup de support de cours, des TP très complets et bien guidés"
Ce que j'ai le plus apprécié :
"Les échanges entre le formateur et nous"
Ce que j'ai le moins apprécié :
"L'aspect distanciel"
ZARGAOUI Sami
5/5
Mon avis sur le contenu du stage :
"Excellente formation."
Mon avis sur le formateur :
"Formateur très pédagogue et disponible."
Ce que j'ai le plus apprécié :
"La compétence technique du formateur et sa disponibilité."
DLF
4/5
FA
5/5
BN
5/5
DEGROUX Thierry
5/5
BELLE Anael
4/5
GA
4/5
FFVE
5/5
TH
5/5
LC
4/5
RS
5/5
CI
5/5
TP
5/5
KJ
4/5
DPJ
4/5
SL
4/5
GMT
5/5
CC
5/5
PALMISANI Riccardo
5/5
HM
5/5
Ces formations peuvent aussi vous intéresser :
Créer des applications graphiques interactives en Python avec Tkinter et CustomTkinter
- Niveau : Fondamental
- Référence : DIGT
- Niveau : Intermédiaire
- Référence : PYQT
Pandas, Matplotlib, XML, JSON, NumPy, SciPy, iPython, MapReduce, Matrices, Séries
- Niveau : Fondamental
- Référence : OAPY
Formations Informatique
et Management
en ligne à ce jour
+
Stagiaires dans nos salles
de cours sur
l'année
4,7/5
94% de nos participants
sont satisfaits ou
très satisfaits
Formateurs experts
validés par
PLB
%
Des participants
recommandent
nos formations
