Data Science : Industrialisation avancée d'un projet de Data Science
- Durée
- Durée :3 jours
- Niveau
- Niveau :Avancé
- Certification
- Certification :Non
2500€ HT
Prochaine session :
Data Science : Industrialiser un projet de Data Science
Les bonnes pratiques de développement pour la Data Science5,0/5
Avec 1 avisDescription de la formation Industrialisation Data Science
L'industrialisation d'un projet de Data Science se heurte souvent à de nombreux obstacles. Qu'ils soient budgétaires, organisationnels ou techniques, ces blocages témoignent de la difficulté à dépasser le stade des POCs (Proof of Concept). Cela est particulièrement vrai dans le domaine technique, où les freins au niveau du code et de la chaîne de traitement des données peuvent être légion. Il est donc nécessaire que le data scientist en fonction puisse mettre en œuvre toutes les méthodes lui permettant de récupérer, nettoyer, explorer, et modéliser ses données, avant le déploiement et la mise en production.
Cette formation Data Science vous fournit les meilleures pratiques pour faire passer votre projet du stade de la recherche à celui de l'exploitation. Grâce à ces bonnes pratiques de développement, vos applications de data science seront ainsi en mesure d'apporter de la valeur en entreprise.
Programme de la formation
Objectifs opérationnels :
Savoir industrialiser un projet de Data Science en respectant les bonnes pratiques de développement.
Objectifs pédagogiques :
À l'issue de cette formation Data Science, vous aurez acquis les connaissances et compétences nécessaires pour :
- Savoir emmener votre modèle de data science en production
- Apprendre à gérer les nouvelles contraintes
- Minimiser le coût de transfert de l’exploration à la production
- Découvrir les concepts de Software Craftsmanship (clean code) appliqués à la Data Science
Introduction et rappels sur la Data Science
Rôle du data scientist
Convictions
Installation des environnements
Jupyter Notebook
PyCharm
Environnement anaconda
Clean code et notebook
Nettoyer son notebook
Noms des variables
Utilisation de fichiers de configuration
Programmation fonctionnelle
Immutabilité
Créer des fonctions
Mise en pratique
Appliquer les techniques de Clean code à un notebook
Tester son code
Découverte du TDD
Initiation à unittest :
- Les classes de test
- Écrire son premier test
- Les méthode setup et teardown
Intégration à setuptools
Mise en pratique
Écrire ses premiers tests
Documenter son projet
Découverte de Sphinx
Découverte de sphinx-quickstart
Mise en pratique
Documenter son projet
Gérer les versions
Introduction à git
Gérer les versions de code
Utilisation des tags
Stratégies de versionning
Gérer des datasets et des modèles
Rendre son code déployable
Définition du packaging
Introduction à setuptools
Installer son code en local
Gestion des dépendances
Règles simples de démarrage
Mise en pratique
Créer et installer son package
Conclusion
Synthèse des points abordés
Partage sur la formation
Questions/Réponses additionnelles
Public cible :
Ce cours Data Science s'adresse aux analystes, statisticiens et développeurs.
Prérequis :
Pour suivre cette formation Data Science, il est nécessaire de posséder des connaissances de base de la Data Science (modèles, biais, variances...), des connaissances des librairies de manipulation de données en Python (pandas, numpy...) ainsi qu'une connaissance de la ligne de commande linux (bash par exemple).
Les personnes souhaitant se former sur le métier de Data Scientist sont invités à suivre la formation Data Scientist : Les fondamentaux de la Data Science (OFDS).
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 : 19/02/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage