2.5Technologie de soutienSession 2 · Data Engineering & Machine Learning

Programmation structurée (Python)

25classes75htotalTH2 · PR3 · PNW2pondération par classe

Déroulé classe par classe

25 classes

TH = théorie · PR = pratique · PNW = travail personnel. Ce sont des codes de pondération du ministère (et non des heures) servant à répartir les minutes de chaque classe. La durée d'une classe = heures du cours ÷ nombre de classes ; les trois plages horaires ci-dessous totalisent toujours cette durée.

Progression des quiz

0 sur 0 classes tentées

2 premières classes gratuites avec un parrainage 24 de plus avec l'inscription180 min par classeThéorie 51mPratique 78mTravail personnel 51m

Python pour l'IA — des scripts aux bâtisseurs d'agents

GratuitTH2PR3PNW2

Un analyste de données ou d'affaires qui écrit du Python structuré peut faire passer un appel d'API de 20 lignes à un agent de 200 lignes sans que tout s'effondre en chaos.

Théorie51m

Récapitulatif des fondamentaux de 1.4 et ce que « structuré » ajoute au travail en IA
Principes : petites fonctions, noms clairs, séparation des préoccupations
Pourquoi la structure compte à mesure que les projets d'IA grossissent (prompts, outils, appels s'empilent)

Pratique78m

Refactorisez un script désordonné de style 1.4 en fonctions nommées
Comparez la lisibilité avant et après

Travail personnel51m

Rédigez une courte note sur une règle de pratique structurée que vous suivrez en bâtissant des outils d'IA
Micro-tâche : remettre votre note

Configuration de l'environnement — venv, pip et les SDK OpenAI/Anthropic

VerrouilléTH2PR3PNW2

Aperçu de classe verrouillée

Un gestionnaire d'intégration d'IA qui configure un environnement Python propre avec les bons SDK évite le problème « ça marche chez moi » qui casse les outils d'IA partagés

Inscrivez-vous pour déverrouiller chaque classe de ce cours — le déroulé complet, le tuteur IA et le quiz.

Programmation structurée (Python)

Déroulé classe par classe

Python pour l'IA — des scripts aux bâtisseurs d'agents

Configuration de l'environnement — venv, pip et les SDK OpenAI/Anthropic

Secrets et clés — gérer les clés API en toute sécurité

Appeler une API de LLM — votre premier appel de modèle

Messages et rôles — structurer une conversation

Fonctions revisitée — paramètres, *args et **kwargs pour les outils d'IA

Valeurs de retour et retours multiples — tuples et déballage

Dictionnaires et JSON — la lingua franca des API d'IA

Sortie structurée — forcer le LLM à retourner du JSON

Modules et imports — organiser un projet d'IA

Appel d'outils 101 — définir des outils que le LLM peut utiliser

Exécuter les appels d'outils — lancer la fonction et retourner les résultats

Bâtir un agent à étapes multiples — la boucle d'agent

Gestion des erreurs en IA — réessais, délais d'attente et échec gracieux

Tester le code d'IA — assertions et vérification des sorties

Classes et objets — modéliser un agent

Constructeurs et état — bâtir un agent avec mémoire

Méthodes et encapsulation — comportement et données ensemble

Mémoire d'agent — historique de conversation à court terme

Fondements du RAG — lire et découper des documents

Fondements du RAG — embeddings et recherche de similarité

Fondements du RAG — relier récupération et génération

Qualité du code — style, docstrings et indications de type pour le code d'IA

Mini-projet — bâtir un agent à appel d'outils

Présenter et réfléchir — vos compétences Python agentiques

Déverrouiller les 25 classes