Matin [4 h] : Théorie, bonnes pratiques et excercices

M1 – La travail collaboratif avec un outil de versionning
Travailler en groupe avec Git : les fondamentaux
1. Git : reprise des fondamentaux et batterie d’exercices sur Git
2. Méthodologie de developpement d’une feature : Spécification d’une tâche, Branch, Review / merge request
3. Présentation de l’interface de MR de gitlab
4. Introduction rapide à l’automatisation des tests sur gitlab

M2 – Python : travailler avec des environnements virtuels
Savoir créer et organiser des espaces de travail compartimentés
1. Pourquoi: reproductibilité
2. Exemples d’outils: venv, pipenv, conda
3. Exprimer et installer les dépendances

M3 – Python : standards de developpement
La clarté comme principe de collaboration
1. Pourquoi: lisibilité du code et travail à plusieurs
2. La convention PEP 8
3. Les outils : linting, auto-formattin, blake

M4 – Design Pattern d’un projet de code (focus Data Science)
Savoir structurer son code
1. Modularité
2. Domain Driven Design

Après-Midi [3h] : Qualité

M1 – Python: les tests
Assurer la qualité d’un code et entretenir les bonnes pratiques
1. Les différents types de tests
2. Quand et quoi tester ?
3. Notion de taux de couverture de tests
4. Outils de test en python
5. Outils spécifiques aux traitements de données
Batterie d’exercices sur les tests unitaires

​Matin [3h] : Documentation, intégration et déploiement

M1 – Retour sur la première journée
Bilan des acquis et atelier d’échange
1. Revue des exercices
2. Session de Q&A

M2 – Python : la documentation du code
Mutualiser la compréhension du projet
1. Que et quand faut-il documenter ?
2. Docstring : quels standards ?
3. Outils : comment générer la documentation

M3 – Automatisation : intégration continue
Se protéger contre la régression de code
1. Principes
2. Présentation de gitlab-ci
3. Automatiser les tests avec gitlab-ci

M4 – Automatisation : déploiement continu
Réduire les étapes et gagner en productivité en passant par l’automatisation
1. Principes
2. Qu’est-ce que je deploie ? Où est-ce que je le deploie ?
3. Monitoring
4. Infrastructure as code
5. Provisionnement vs deploiement
6. Présentation de quelques outils standards (Docker, Ansible)

M5 – Démarrer un nouveau projet python à partir d’un template
Gagner en efficacité avec cookiecutter
1. Cookiecutter : outil de templating
2. Initialiser un projet gitlab

Après-Midi [3h] : Atelier de mise en pratique

M1 – Implémentation sur un cas concret
Mise en condition groupée au travers d’une la mise en place d’une feature
1. Exercice : industrialisation d’un notebook exploratoire en application python industrialisée
2. Travail en équipe : developpement d’une feature
3. Spécification des tâches
4. Initialiser son projet
5. Scripting et documentation des fonctions, classes
6. Implémentation des test
7. Pipeline d’intégration
8. Merge request