Objectifs de la formation

• Implémenter de manière rigoureuse des Design Patterns reconnus
• Utiliser les techniques avancées du langage Python : Context Manager, métaclasses, closures, fonctions avancées
• 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 : calcul scientifique, Intelligence Artificielle, XML, réseau

---

Programme de la formation

Rappels importants sur le langage

• Affectation par référence et types de données modifiables, non modifiables (mutable).
• Passage d'arguments, valeurs par défaut et variables locales.
• Variables de classe et d'instances.
• Les slices et structures de données avancées.
• L'introspection.
• Eléments avancés des structures de contrôle : la clause else des instructions for, while, try/except.

Travaux pratiques

Optimisation : intersection de listes et calcul de complexité d'algorithmes.

Fonctions avancées

• Utilisation avancée de décorateurs (de la génération à la consommation, pipeline de consommateurs).
• Les décorateurs et Design Patterns.
• Fermeture/closure.

Travaux pratiques

Chaînage de consommateurs de données. Abonnement à des événements via les décorateurs.

Programmation Orientée Objet avancée

• Les propriétés (property).
• Les itérateurs.
• L'héritage multiple et ses travers.
• Les Context Managers.
• Les classes et méthodes abstraites (ABC).
• Les métaclasses.

Travaux pratiques

Implémenter une métaclasse pour créer des classes de type singleton.

Déploiement et qualité

• Installer des librairies tierces (pip, easy_install).
• Le Python Package Index (PyPI).
• Packager ses librairies (distutils, setuptools).
• Déployer un environnement autonome (virtualenv et buildout).

Travaux pratiques

Packager une librairie et la déposer sur PypI.

Le parallélisme : optimiser les performances de vos programmes

• Profilez vos programmes avec Timeit et cProfile.
• Parallélisation : évitez le multithreading et foncez avec le multiprocessing.
• Calcul distribué avec la librairie Celery.

Travaux pratiques

Répartition et consolidation (Map Reduce) de calculs avec Celery.

Les librairies contribuant au succès du langage

• Calcul scientifique et statistiques avec Numpy, Scipy, Matplotlib et Pandas.
• Intelligence Artificielle et algorithmes d'apprentissage avec Scikit-Learn.
• Recherche d'informations dans des fichiers XML avec ElementTree.
• Réseau : relay tcp avec Twisted et supervision SNMP avec PySNMP.

Travaux pratiques

Extraction d'informations dans des fichiers de log XML, filtres et statistiques sur les données collectées puis représentation à l'aide de graphiques des tendances des informations.