Formation PYTHON Niveau 2
Domaine : Langages et Frameworks
DURÉE
3 jour(s)
OBJECTIFS
Savoir mettre en œuvre des thread en Python. Savoir gérer les cas d'accès concurrents. Connaître les principales librairies d'interfaces graphiques en Python. Savoir mettre en œuvre une IHM en Python. Connaître le périmètre des principales briques de la SciPy Stack. Savoir utiliser les librairies MatPlotLib, NumPy, SciPy et Pandas.
Pré-requis
Avoir suivi la formation "Introduction au langage Python" ou disposer de solides bases sur le langage. Avoir suivi une formation "Python Orientée Objet" ou avoir les connaissances équivalentes sera apprécié.
Participants
Développeurs, administrateurs systèmes, ingénieurs scientifiques désireux de se perfectionner en Python.
coût
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à GrenobleNotre centre de formation à MoiransNotre centre de formation à Sophia Antipolis
Sur votre site en formation intraEn classe distancielle
PROGRAMME DE FORMATION
PYTHON Niveau 2
PROGRAMMATION MULTITHREAD EN PYTHON
Pourquoi faire de la programmation multithread ?
Présentation du module threading
Coder une classe de thread en Python
La gestion des accès concurrents en Python
Utilisation de pool de threads
Présentation du module threading
Coder une classe de thread en Python
La gestion des accès concurrents en Python
Utilisation de pool de threads
MISE EN UVRE D'INTERFACES GRAPHIQUES EN PYTHON
Les principales API de mise en uvre d'IHM en Python (Présentation de Tkinter (Tk Interface), Présentation de PySide 6 (Binding Qt), Points forts et points faibles de ces solutions)
Création d'une première fenêtre graphique avec PySide 6 (La gestion des styles via Qt)
Gestion des barres de contrôle (Mise en uvre d'une barre de menus, Mise en uvre de barres d'outils, Mise en uvre d'une barre de statuts, Gestion des menus contextuels)
Gestion des layouts Qt (Introduction au concept de layout, Utilisation des classes QHBoxLayout et QVBoxLayout, Utilisation de la classe QGridLayout, Utilisation de la calsse QFormLayout)
Traitement des évènements (Les évènements Qt, Présentation du paradigme Slots/Signaux, Les décorateurs PySide2 pour la gestion des slots (@Slot), Définir vos propres signaux)
Quelques widgets complémentaires (Les widgets simples, Les conteneurs, Les boites de dialogue)
Architecture MVC en Qt (Introduction à l'architecture MVC, Mise en uvre de tables de données, Mise en uvre d'arborescence de données, Mise en uvre de listes de données)
Utilisation du Qt Designer (Présentation du designer, Prise en main de l'outil, Notion de promotion de Widget, Génération du code en Python, Le compilateur pyside-uic, Intégration des codes générés dans votre application)
Création d'une première fenêtre graphique avec PySide 6 (La gestion des styles via Qt)
Gestion des barres de contrôle (Mise en uvre d'une barre de menus, Mise en uvre de barres d'outils, Mise en uvre d'une barre de statuts, Gestion des menus contextuels)
Gestion des layouts Qt (Introduction au concept de layout, Utilisation des classes QHBoxLayout et QVBoxLayout, Utilisation de la classe QGridLayout, Utilisation de la calsse QFormLayout)
Traitement des évènements (Les évènements Qt, Présentation du paradigme Slots/Signaux, Les décorateurs PySide2 pour la gestion des slots (@Slot), Définir vos propres signaux)
Quelques widgets complémentaires (Les widgets simples, Les conteneurs, Les boites de dialogue)
Architecture MVC en Qt (Introduction à l'architecture MVC, Mise en uvre de tables de données, Mise en uvre d'arborescence de données, Mise en uvre de listes de données)
Utilisation du Qt Designer (Présentation du designer, Prise en main de l'outil, Notion de promotion de Widget, Génération du code en Python, Le compilateur pyside-uic, Intégration des codes générés dans votre application)
CALCUL SCIENTIFIQUE EN PYTHON
Introduction à la SciPy Stack
Utilisation de MatPlotLib (Un outil de visualisation de données mathématiques, Produire un graphique en 2D, Produire un graphique en 3D, Afficher plusieurs figures simultanément, Sauvegarder un graphique MatPlotLib, Intégration MatPlotLib / Application Qt)
NumPy et les calculs algébriques et matriciels (Les tableaux et les matrices, Le shape des matrices et le reshape, NumPy et les fichiers, Indexing, subsetting et slicing, Opérations proposées sur vecteurs et matrices, Les fonctions trigonométriques, Algèbre linéaire avec NumPy, Les nombres complexes et l'algèbre complexe, Visualisation des résultats avec MatPlotLib)
SciPy et le calcul scientifique (L'écart-type et la variance, La régression linéaire, Intégration, Opérations d'algèbre linéaire avec SciPy, Interpolation avec le module scipy.interpolate, Ajustement de courbe avec le module scipy.optimize, Transformées de Fourier avec le module scipy.fft, Traitement d'images avec SciPy)
Utilisation de Pandas (Introduction, Les différentes sources de données supportées par Pandas, Series et DataFrame, Indexation et sélection des données, Manipulation des données)
Utilisation de MatPlotLib (Un outil de visualisation de données mathématiques, Produire un graphique en 2D, Produire un graphique en 3D, Afficher plusieurs figures simultanément, Sauvegarder un graphique MatPlotLib, Intégration MatPlotLib / Application Qt)
NumPy et les calculs algébriques et matriciels (Les tableaux et les matrices, Le shape des matrices et le reshape, NumPy et les fichiers, Indexing, subsetting et slicing, Opérations proposées sur vecteurs et matrices, Les fonctions trigonométriques, Algèbre linéaire avec NumPy, Les nombres complexes et l'algèbre complexe, Visualisation des résultats avec MatPlotLib)
SciPy et le calcul scientifique (L'écart-type et la variance, La régression linéaire, Intégration, Opérations d'algèbre linéaire avec SciPy, Interpolation avec le module scipy.interpolate, Ajustement de courbe avec le module scipy.optimize, Transformées de Fourier avec le module scipy.fft, Traitement d'images avec SciPy)
Utilisation de Pandas (Introduction, Les différentes sources de données supportées par Pandas, Series et DataFrame, Indexation et sélection des données, Manipulation des données)
Les design patterns
Le Singleton
La Factory
Les Repositories
Les Services
LIoC et lIoD
La Factory
Les Repositories
Les Services
LIoC et lIoD
Le développement avancé avec la réflexion
Le fonctionnement avancé de Python
Object
Les méthodes __XXX___
La surcharge des opérateurs
Les métaclasses
Le fonctionnement de __new__ et __delete__
Object
Les méthodes __XXX___
La surcharge des opérateurs
Les métaclasses
Le fonctionnement de __new__ et __delete__
Le développement performant
Comprendre les listes en intention
Les expressions lambda
Le filtre
Le map
Quest quun générateur
Le reduce
La force du triplet filter-map-reduce
Pourquoi les liste en compréhension révolutionnent la programmation
Le Lazy Loading
Les couches bases de linterpréteur Python et de la machine virtuelle
Les expressions lambda
Le filtre
Le map
Quest quun générateur
Le reduce
La force du triplet filter-map-reduce
Pourquoi les liste en compréhension révolutionnent la programmation
Le Lazy Loading
Les couches bases de linterpréteur Python et de la machine virtuelle
Le système
Les fonctions systèmes avancées
Les gestions de fichiers avancés
Laccès efficace aux fichiers
Les transactions
Laccès efficace aux bases de données
La sérialisation binaire
La sérialisation JSON
Les gestions de fichiers avancés
Laccès efficace aux fichiers
Les transactions
Laccès efficace aux bases de données
La sérialisation binaire
La sérialisation JSON
Python pour le calcul
Le module math
Lalgèbre linéaire avec Numpy
Le produit et la transposée
Linversion de matrice
Lalgèbre complexe
Les transformées de Fourier
Afficher les données avec MatPlotLib
Le machine Learning avec SciKitLearn
La création du modèle
La prédiction du modèle
Choix du modèle
Régressions polynomiales
PreProcessing et Pipeline
Régressions non polynomiales
K-NN avec SciKitLearn
Sérialisation du modèle
Lalgèbre linéaire avec Numpy
Le produit et la transposée
Linversion de matrice
Lalgèbre complexe
Les transformées de Fourier
Afficher les données avec MatPlotLib
Le machine Learning avec SciKitLearn
La création du modèle
La prédiction du modèle
Choix du modèle
Régressions polynomiales
PreProcessing et Pipeline
Régressions non polynomiales
K-NN avec SciKitLearn
Sérialisation du modèle
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
Cursus formation
Formations de la même thématique
- PYTHON Accès aux données
- PYTHON Intégration continue de code Python avec Jenkins
- PYTHON Mise en oeuvre d'IHM avec TKINTER
- PYTHON Introduction au langage Python
- PYTHON Orienté Objet
- PYTHON Niveau 1
- PYTHON Calculs scientifiques avec Python
- PYTHON Utilisation du framework Django
- PYTHON Développement de Web Services REST/JSON en Python
- PYTHON Mise en oeuvre d'IHM avec Qt et PySide6