Python programmation parallèle et calcul distribué dans le Cloud
- Durée
- Durée :4 jours
- Niveau
- Niveau :Fondamental
- Certification
- Certification :Non
2490€ HT
Prochaine session :
Développement Python : Tests, Optimisation et Packaging
Maîtrisez les bonnes pratiques de tests, d’optimisation et de distribution d’applications Python professionnellesDescription de la formation Python Optimisation
Qu’est-ce que le développement Python optimisé et maintenable ?
Le développement Python professionnel ne se limite pas à écrire du code fonctionnel. Il s’appuie sur une approche rigoureuse combinant tests automatisés, analyse statique, performance et bonnes pratiques de distribution. Cette formation offre une vision complète du cycle de vie du code Python : de la validation des fonctionnalités à la mise en production, en passant par la qualité et la performance.
Pourquoi suivre une formation Développement Python : Tests, Optimisation et Packaging ?
Dans un environnement où la fiabilité et la performance du code sont cruciales, savoir tester, analyser et optimiser ses programmes Python est un avantage compétitif majeur. Cette formation vous permettra de gagner en efficacité, de garantir la qualité de vos projets et d’améliorer leur maintenabilité. En outre, vous apprendrez à concevoir des paquets prêts pour PyPI et à exploiter pleinement la puissance de Python grâce à la parallélisation et aux alternatives de compilation modernes.
Programme de la formation
Objectif opérationnel :
Savoir concevoir, tester, optimiser et distribuer efficacement du code Python maintenable et performant.
Objectif pédagogiques :
À l'issue de cette formation Python Optimisation, vous aurez acquis les compétences et connaissances nécessaires pour :
- Tester son code efficacement avec pytest et hypothesis
- Garantir la qualité logicielle grâce aux outils d’analyse statique (pylint, mypy, black)
- Créer des paquets Python distribuables sur PyPI
- Identifier et corriger les goulets d’étranglement de performance avec cProfile et pyperf
- Choisir les structures de données adaptées et comprendre la complexité algorithmique
- Explorer Cython, PyPy, Numba et maîtriser la parallélisation (multiprocessing, threading, asyncio)
Jour 1
Fixtures, mocks et paramétrisation des tests
Tests de propriétés avec Hypothesis
Mesure de couverture et intégration CI/CDTravaux pratiquesObjectif : Concevoir et exécuter une suite de tests automatisés robuste.
Description : Mise en œuvre de tests unitaires et de tests basés sur les propriétés. Comment écrire des tests clairs et maintenables ? Analyse des résultats et validation via coverage.
Typage statique avec mypy
Détection de code mort, duplication et complexité cyclomatique
Intégration dans un pipeline de développementTravaux pratiquesObjectif : Identifier et corriger les problèmes de qualité dans un projet existant.
Description : Application d’outils d’analyse sur un code existant, correction progressive des alertes. Discussion sur la dette technique et comment la réduire.Jour 2
Identification des goulets d’étranglement
Optimisation mémoire et CPU
Benchmarks reproductibles et interprétation des métriquesTravaux pratiquesObjectif : Diagnostiquer les ralentissements dans un code Python.
Description : Profilage d’un programme, comparaison avant/après optimisation. Quelle métrique suivre pour justifier une amélioration ?
Mesurer et analyser la complexité en temps et en espace
Implémenter des algorithmes efficaces
Cas pratiques d’optimisation algorithmiqueTravaux pratiquesObjectif : Comparer les performances d’implémentations alternatives.
Description : Atelier sur la réécriture d’algorithmes pour réduire la complexité. Validation via des tests de performance automatisés.Jour 3
setup.cfg, pyproject.toml et setuptools.
Gestion des dépendances avec Poetry.
Publication sur PyPI et gestion des versions.Travaux pratiquesObjectif : Créer un paquet Python prêt à la distribution.
Description : Création d’un package complet, tests locaux, génération de wheel et mise en ligne sur TestPyPI.
Parallélisation avec multiprocessing, threading et asyncio
Gestion des verrous et du GIL
Étude de cas sur un pipeline parallèleTravaux pratiquesObjectif : Exploiter le parallélisme pour améliorer la performance.
Description : Comparaison de différents modèles de parallélisation et mesure des gains. Quelle approche choisir selon le type de tâche ?
Tests automatisés avec pytest et hypothesis
Organisation et structuration des tests unitairesFixtures, mocks et paramétrisation des tests
Tests de propriétés avec Hypothesis
Mesure de couverture et intégration CI/CDTravaux pratiquesObjectif : Concevoir et exécuter une suite de tests automatisés robuste.
Description : Mise en œuvre de tests unitaires et de tests basés sur les propriétés. Comment écrire des tests clairs et maintenables ? Analyse des résultats et validation via coverage.
Analyse statique et qualité du code
Utilisation de pylint, flake8 et blackTypage statique avec mypy
Détection de code mort, duplication et complexité cyclomatique
Intégration dans un pipeline de développementTravaux pratiquesObjectif : Identifier et corriger les problèmes de qualité dans un projet existant.
Description : Application d’outils d’analyse sur un code existant, correction progressive des alertes. Discussion sur la dette technique et comment la réduire.Jour 2
Profilage et diagnostic de performance
Introduction à cProfile et pyperfIdentification des goulets d’étranglement
Optimisation mémoire et CPU
Benchmarks reproductibles et interprétation des métriquesTravaux pratiquesObjectif : Diagnostiquer les ralentissements dans un code Python.
Description : Profilage d’un programme, comparaison avant/après optimisation. Quelle métrique suivre pour justifier une amélioration ?
Structures de données et complexité algorithmique
Choisir les bonnes structures (listes, sets, dictionnaires, heapq…)Mesurer et analyser la complexité en temps et en espace
Implémenter des algorithmes efficaces
Cas pratiques d’optimisation algorithmiqueTravaux pratiquesObjectif : Comparer les performances d’implémentations alternatives.
Description : Atelier sur la réécriture d’algorithmes pour réduire la complexité. Validation via des tests de performance automatisés.Jour 3
Création et distribution de paquets Python
Structure d’un projet Python professionnel.setup.cfg, pyproject.toml et setuptools.
Gestion des dépendances avec Poetry.
Publication sur PyPI et gestion des versions.Travaux pratiquesObjectif : Créer un paquet Python prêt à la distribution.
Description : Création d’un package complet, tests locaux, génération de wheel et mise en ligne sur TestPyPI.
Compilation et parallélisation avancée
Accélérer le code avec Cython, Numba et PyPyParallélisation avec multiprocessing, threading et asyncio
Gestion des verrous et du GIL
Étude de cas sur un pipeline parallèleTravaux pratiquesObjectif : Exploiter le parallélisme pour améliorer la performance.
Description : Comparaison de différents modèles de parallélisation et mesure des gains. Quelle approche choisir selon le type de tâche ?
Public cible :
Ce cours s'adresse aux développeurs Python, ingénieurs logiciels, data scientists ou toute personne souhaitant renforcer la qualité, la performance et la maintenabilité de leurs projets Python.
Prérequis :
Une bonne connaissance préalable du langage Python (syntaxe, fonctions, modules) est nécessaire. Une expérience pratique en développement de scripts ou d’applications Python est recommandée pour tirer pleinement profit de la formation.
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 : 29/01/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage