A propos de cette formation

La mise en place et l’industrialisation de solutions d’Intelligence Artificielle peut sembler hors de portée pour beaucoup d’entreprises, pourtant le marché propose aujourd’hui de nombreuses méthodes et bonnes pratiques permettant de fluidifier le passage sur les environnements de production.

Guidé par un expert Quantmetry, vous passerez en revue ces méthodes et bonnes pratiques pour accélérer la mise en production de vos projets : travail collaboratif, versionning, et automatisation n’auront plus de secret pour vous.

Objectifs pédagogiques

  • Apprendre à gérer un code et son versionning de manière collaborative
  • Maitriser les méhodes de développement pour renforcer la robustesse du code
  • Savoir comment automatiser le pipeline et la mise en production (CI/CD)
  • Connaitre les bonnes pratiques de développement et de tests

Qu'allez-vous apprendre ?

A l’issue de cette formation alliant définition des concepts clés et exercices pratiques, vous serez en mesure de :

Comprendre et utiliser l'approche Devops

Travailler de manière collaborative

Connaître les principales solutions du marché

Apprendre les fondamentaux d'une intégration continue 

Apprendre les fondamentaux d'un déploiement continue

Connaître les principaux standards de développement

Le programme de la formation

​​Une formation sur 2 jours (2 x 7 heures) avec un parcours d’apprentissage clair et progressif. Nous veillons à ne pas vous perdre en chemin et faciliter la mémorisation des connaissances dont vous avez besoin pour avancer. 

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

Vous préférez télécharger ?

Les modalités pédagogiques

​Une formation qui se veut avant tout « Hands-on » avec 70% de pratique et nous espérons beaucoup d’échanges constructifs entre vous et avec nous.

30% d'exposé

Juste de qu'il faut de théorie pour comprendre les notions clés et passer directement à la pratique

70% de pratique

Une formation orientée pratique avec de multiples exercices et la revue en profondeur du code

Interactive

Echangez avec le groupe et votre formateur expert sur vos problématiques et trouvez des réponses

Remis pédagogiques :  vous repartez avec ...

  • Un book de fiches mémoires résumant les points clés de la formation
  • L'ensemble des codes présentés lors de la séance

Publics et Prérequis

Toute personne avec un profil technique souhaitant mettre en place une démarche DEVOPS pour ses projets IA.

Prérequis : Notions de Python et culture générale des systèmes d’information​

Cette formation vous plaît ?
Faites la connaitre !
Partager sur linkedin
Partager sur facebook
Partager sur twitter
TARIF H.T.
2 147 €
Intra : Sur devis
Prix par stagiaire. Petit-déjeuner et repas du midi inclus.
VOTRE FORMATEUR
Abdellah

Abdellah

Expert IA / Data

Ayant étudié les mathématiques appliquées et l’informatique à l’ESIEA, Abdellah a travaillé sur de nombreuses applications intégrant de l’IA.
-
#Pythonista
#DevOps
#BougnatPower

PROCHAINE(S) SESSION(S)

21maiToute la journée22Devops appliqué aux projets IAParis - Saint Augustin

Cette formation de l'Institut pourraient également vous intéresser