Support cours : Les Data Sciences avec Python Langage - Partie II

1. Maîtriser les Data Sciences avec Python Language Béchir BEJAOUI Formateur et consultant indépendant Présentation de la Partie II Python quelques notions avancées

2. Maîtriser les Data Sciences avec Python Language La présentation de la deuxième partie 1. Chapitre la programmation orientée objet en Python 2. Chapitre Les méthodes magiques et compréhensions 3. Chapitre le threading et le coroutine en Python 5. Chapitre l’interopérabilité en Python 4. Chapitre la programmation en métadonnées en Python 6. Le bilan

3. Maîtriser les Data Sciences avec Python Language La présentation de la deuxième partie

4. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant Le principe de programmation POO

5. Maîtriser les Data Sciences avec Python Language Le principe de programmation POO • Le principe inspiré de la nature • Les trois piliers de POO • Classe vs Module • Anatomie de classe

6. Maîtriser les Data Sciences avec Python Language Le principe dans la nature: Le plan Les instances de maisons Le principe de programmation POO Classe Objets

7. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Héritage »: Héritage Generalize Le principe de programmation POO Specialize

8. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Héritage »: Le principe de programmation POO

9. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Héritage »: Generalize Python , C++ Le principe de programmation POO

10. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Héritage »: Generalize Java , C# Le principe de programmation POO

11. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Encapsulation »: Le principe de programmation POO Internet @ Groupes Admin Moderator Déléguer

12. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Encapsulation »: Le principe de programmation POO Visibilité publique Visibilité protégée Visibilité privée

13. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Polymorphisme »: Charles Darwin Le principe de programmation POO

14. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Polymorphisme »: Se déplace Se déplace Le principe de programmation POO

15. Maîtriser les Data Sciences avec Python Language Récup • Le principe inspiré de la nature • Les trois piliers de POO • Classe vs Module • Anatomie de classe

29. Maîtriser les Data Sciences avec Python Language Le principe de programmation POO • Le principe inspiré de la nature • Les trois piliers de POO • Classe vs Module • Anatomie de classe  Héritage  Encapsulation

37. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Encapsulation »: Le principe de programmation POO Les langages compilés

38. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Encapsulation »: Le principe de programmation POO 1 2 1 2 Les langages compilés C # Java

39. Maîtriser les Data Sciences avec Python Language Les trois piliers de POO « Encapsulation »: Le principe de programmation POO

42. Maîtriser les Data Sciences avec Python Language Récup • Le principe inspiré de la nature • Les trois piliers de POO • Classe vs Module • Anatomie de classe  Héritage  Mangling (Encapsulation)

56. Maîtriser les Data Sciences avec Python Language Le principe de programmation POO • Le principe inspiré de la nature • Les trois piliers de POO • Classe vs Module • Anatomie de classe  Héritage  Mangling vs Encapsulation  Le polymorphisme

69. Maîtriser les Data Sciences avec Python Language Récup • Le principe inspiré de la nature • Les trois piliers de POO • Classe vs Module • Anatomie de classe  Héritage  Mangling (Encapsulation)  Le polymorphisme

71. Maîtriser les Data Sciences avec Python Language Le principe de programmation POO • Le principe inspiré de la nature • Les trois piliers de POO • Classe vs Module • Anatomie de classe  Héritage  Mangling vs Encapsulation  Le polymorphisme  Les membres d’instance, de classe et statique

84. Maîtriser les Data Sciences avec Python Language Récup • Le principe inspiré de la nature • Les trois piliers de POO • Classe vs Module • Anatomie de classe  Héritage  Mangling (Encapsulation)  Le polymorphisme  Les membres d’instance, de classe et statique

85. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant Les méthodes magiques

86. Maîtriser les Data Sciences avec Python Language Les méthodes magiques • Introduction des méthodes magiques

87. Maîtriser les Data Sciences avec Python Language Récup • Introduction des méthodes magiques

88. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant Les conteneurs personnalisés

89. Maîtriser les Data Sciences avec Python Language Les conteneurs personnalisés • Les conteneurs personnalisés

90. Maîtriser les Data Sciences avec Python Language Récup • Les conteneurs personnalisés

91. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant Les générateurs et le module itertools

92. Maîtriser les Data Sciences avec Python Language Les générateurs et le module itertools • Les générateurs • Quelques cas d’utilisation du module itertools

93. Maîtriser les Data Sciences avec Python Language Récup • Les générateurs • Quelques cas d’utilisation du module itertools

94. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant La surcharge des opérateurs

95. Maîtriser les Data Sciences avec Python Language La surcharge opérateurs • La surcharge opérateurs  Les opérateurs surchargés Builtin  Les opérateurs surchargés Personnalisés  Les opérateurs surchargés reflétés

96. Maîtriser les Data Sciences avec Python Language Récup  Les opérateurs surchargés Builtin  Les opérateurs surchargés reflétés  Les opérateurs surchargés Personnalisés • La surcharge opérateurs

97. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant Les Compréhensions

98. Maîtriser les Data Sciences avec Python Language Les compréhensions • Les compréhensions  Les compréhensions de listes  Les compréhensions de sets  Les compréhensions de dictionnaires  Les compréhensions de générateurs

99. Maîtriser les Data Sciences avec Python Language Récup • Les compréhensions  Les compréhensions de listes  Les compréhensions de sets  Les compréhensions de dictionnaires  Les compréhensions de générateurs

100. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant La gestion de contexte

101. Maîtriser les Data Sciences avec Python Language La gestion de contexte • Introduction de gestion de contexte

102. Maîtriser les Data Sciences avec Python Language Récup • Introduction de gestion de contexte

103. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant La programmation multi tâche Le Threading et le Co routine

104. Maîtriser les Data Sciences avec Python Language Le threading et le Co routine • Introduction du threading  Semaphore  Lock &RLoc(Mutex)  Conditions (Wait/Notify)  Queues  Evénements • Introduction du Co routine

105. Maîtriser les Data Sciences avec Python Language Récup • Introduction du threading  Semaphore  Lock &RLoc(Mutex)  Conditions (Wait/Notify)  Queues  Evénements • Introduction du Co routine

110. Maîtriser les Data Sciences avec Python Language Le threading et le Co routine • Introduction du threading  Semaphore  Lock &RLock(Mutex) • Semaphore vs Mutex

111. Maîtriser les Data Sciences avec Python Language Le threading et le Co routine Cas de Mutex (Lock) Semaphore Surface 4 m2 Surface 4 m2 =Buffer = Mutex= Semaphore= =Thread Thread =

112. Maîtriser les Data Sciences avec Python Language Le threading et le Co routine Cas de Mutex (Lock) Semaphore Surface 4 m2 Surface 4 m2 =Buffer = Mutex= Semaphore= =Thread Thread =

113. Maîtriser les Data Sciences avec Python Language Le threading et le Co routine Semaphore Surface 4 m2 Surface 4 m2 =Buffer = Mutex= Semaphore= =Thread Thread = Cas de Mutex (RLock)

124. Maîtriser les Data Sciences avec Python Language Récup • Introduction du threading  Semaphore  Lock &RLock(Mutex) • Semaphore vs Mutex

126. Maîtriser les Data Sciences avec Python Language Le threading et le Co routine • Introduction du threading  Semaphore  Lock &RLock(Mutex)  Conditions  Queues  Evénements

127. Maîtriser les Data Sciences avec Python Language Récup • Introduction du threading  Semaphore  Lock &RLock(Mutex)  Conditions  Queues  Evénements

137. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant Les décorateurs et descripteurs

138. Maîtriser les Data Sciences avec Python Language Les décorateurs et descripteurs • Quelques cas de programmation fonctionnelle • Rappel d’implémentation des fonctions imbriquées • Introduction des décorateurs • Cas des décorateur spécial @property • Introduction des descripteurs • Data descriptors • Non data descriptors

139. Maîtriser les Data Sciences avec Python Language Récup • Quelques cas de programmation fonctionnelle • Rappel d’implémentation des fonctions imbriquées • Introduction des décorateurs • Cas des décorateur spécial @property • Introduction des descripteurs • Data descriptors • Non data descriptors

141. Maîtriser les Data Sciences avec Python Language Les décorateurs et descripteurs • Quelques cas de programmation fonctionnelle • Rappel d’implémentation des fonctions imbriquées • Introduction des décorateurs • Cas du décorateur spécial @property  Les décorateurs sans paramètres  Les décorateurs avec paramètres

142. Maîtriser les Data Sciences avec Python Language Récup • Quelques cas de programmation fonctionnelle • Rappel d’implémentation des fonctions imbriquées • Introduction des décorateurs • Cas du décorateur spécial @property  Les décorateurs sans paramètres  Les décorateurs avec paramètres

144. Maîtriser les Data Sciences avec Python Language Les décorateurs et descripteurs • Quelques cas de programmation fonctionnelle • Rappel d’implémentation des fonctions imbriquées • Introduction des décorateurs • Cas des décorateur spécial @property • Introduction des descripteurs • Data descriptors • Non data descriptors

145. Maîtriser les Data Sciences avec Python Language Récup • Quelques cas de programmation fonctionnelle • Rappel d’implémentation des fonctions imbriquées • Introduction des décorateurs • Cas des décorateur spécial @property • Introduction des descripteurs • Data descriptors • Non data descriptors

146. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant Les méta classes

147. Maîtriser les Data Sciences avec Python Language Les méta classes • Les méta classes  Utilisées pour décrire une classe « Méta données »  Utilisées pour définir une classe dynamiquement au moment de l’exécution

148. Maîtriser les Data Sciences avec Python Language Récup • Les méta classes  Utilisées pour décrire une classe « Méta données »  Utilisées pour définir une classe dynamiquement au moment de l’exécution

149. Maîtriser les Data Sciences avec Python Language Python les notions avancées Béchir BEJAOUI Formateur et consultant indépendant Interopérabilité Python

150. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Interopérabilité  Avec C  En utilisant Cython  Moyennant Protobuff  En utilisant Python C API

151. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Pourquoi C ? Capteurs

152. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Pourquoi C ? BeagleBone Arduino Stm32 Raspberry PI

153. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment ?

154. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Autres raisons ?

157. Maîtriser les Data Sciences avec Python Language Récup • Interopérabilité  Avec C  En utilisant Cython  Moyennant Protobuff  En utilisant Python C API

159. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Interopérabilité  Avec C en utilisant Python C API  Avec C en utilisant Cython  Avec R  Avec Julia  En utilisant Protobuff

160. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Exemple de bibliothèque cible

161. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment gérer les arguments dans l’enveloppe 1. int PyArg_ParseTuple 2. int PyArg_ParseTupleAndKeywords 3. int PyArg_Parse

162. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Quels sont les types des arguments possibles 1. i : Entier 2. l : Long 3. h : Short 4. d : Double 5. s : char* 6. b : char non signé

163. Maîtriser les Data Sciences avec Python Language Récup • Interopérabilité  Avec C en utilisant Python C API  Avec C en utilisant Cython  Avec R  Avec Julia  En utilisant Protobuff

165. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Interopérabilité  Avec C en utilisant Python C API  Avec C en utilisant Cython

166. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • C’est quoi cython?  Cython utilise un langage hybride proche de Python pour définir les instructions  La commande cython permet de générer l'interface en termes de C selon Python API C à partir du code Python  Le module Cython permet de générer le code en C et les bibliothèques en .o et .so , appelables à partir de Python  Le pseudo langage Cython est du C déguisé en presque du Python  Cython = Compilateur statique Module Pseudo langage Ensemble de librairies+ + +

167. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Pourquoi cython?  Le code en C est conforme en termes des enveloppes de Python C API  C est plus performant que Python  Génération du code C tout en restant dans Python pour les programmeurs non C Python Cython

168. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment procéder?  Importer Cython le module dans Jupyter Notebook à l’aide de la méthode de ligne %load_ext en précédant le code cython par la méthode magique %%cython  Créer le fichier setup.py à l’aide de distutils et appeler le code persisté dans les fichiers portant les extensions .pyx via la commande Python  Utiliser le module pyximport pour importer le code en cython persisté dans les fichiers d’extension .pyx d’une façon dynamique • Quels outils pour démarrer avec Cython ?  Installer Cython à l’aide de conda ou pip  Installer un compilateur C/C++ exemple GCC ou MinGW

169. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment est la déclaration des types en cython? Types scalaires Structures spécifiques à C Des classes Des listesDes tuples

170. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment est la déclaration des fonctions en cython? Cas de fonction retournant une valeur scalaire Cas de fonction retournant un ensemble de valeurs • Quelle est la différence entre def, cdef et cpdef?  Les objets def sont appelés directement seulement à partir de Python  Les objets cdef sont appelés directement seulement à partir de cython et C  Les objets cpdef sont appelés à partir de cython, Python et C

171. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Les fonctions cdef  Les fonctions cdef ne peuvent pas être définies dans d'autres fonctions  Les fonctions cdef ne peuvent pas utiliser *args et **kwargs car il y a pas d’équivalent en C en terme des arguments optionnels et nommés ainsi que le nombre non définit d’arguments  Les fonctions cdef sont plus performantes que les autres types de fonctions • Les fonctions cpdef  Les fonctions cpdef obligent cython à générer des fonctions def et des équivalents en cdef en respectant les contraintes des deux types de fonctions  Les fonctions cdef sont utilisées en cas de passage de paramètres par référence

172. Maîtriser les Data Sciences avec Python Language Récup • Interopérabilité  Avec C en utilisant Python C API  Avec C en utilisant Cython

174. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Interopérabilité  Avec C en utilisant Python C API  Avec C en utilisant Cython • Appeler Cython à partir de ipython • Appeler un module pyx à l’aide de pyximport • Appeler un module pyx à l’aide du module Cython

175. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • C’est quoi cython?  Cython utilise un langage hybride proche de Python pour définir les instructions  La commande cython permet de générer l'interface en termes de C selon Python API C à partir du code Python  Le module Cython permet de générer le code en C et les bibliothèques en .o et .so , appelables à partir de Python  Le pseudo langage Cython est du C déguisé en presque du Python  Cython = Compilateur statique Module Pseudo langage Ensemble de librairies+ + +

176. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Pourquoi cython?  Le code en C est conforme en termes des enveloppes de Python C API  C est plus performant que Python  Génération du code C tout en restant dans Python pour les programmeurs non C Python Cython

177. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment procéder?  Importer Cython le module dans Jupyter Notebook à l’aide de la méthode de ligne %load_ext en précédant le code cython par la méthode magique %%cython  Créer le fichier setup.py à l’aide de distutils et appeler le code persisté dans les fichiers portant les extensions .pyx via la commande Python  Utiliser le module pyximport pour importer le code en cython persisté dans les fichiers d’extension .pyx d’une façon dynamique • Quels outils pour démarrer avec Cython ?  Installer Cython à l’aide de conda ou pip  Installer un compilateur C/C++ exemple GCC ou MinGW

178. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment est la déclaration des types en cython? Types scalaires Structures spécifiques à C Des classes Des listesDes tuples

179. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment est la déclaration des fonctions en cython? Cas de fonction retournant une valeur scalaire Cas de fonction retournant un ensemble de valeurs • Quelle est la différence entre def, cdef et cpdef?  Les objets def sont appelés directement seulement à partir de Python  Les objets cdef sont appelés directement seulement à partir de cython et C  Les objets cpdef sont appelés à partir de cython, Python et C

180. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Les fonctions cdef  Les fonctions cdef ne peuvent pas être définies dans d'autres fonctions  Les fonctions cdef ne peuvent pas utiliser *args et **kwargs car il y a pas d’équivalent en C en terme des arguments optionnels et nommés ainsi que le nombre non définit d’arguments  Les fonctions cdef sont plus performantes que les autres types de fonctions • Les fonctions cpdef  Les fonctions cpdef obligent cython à générer des fonctions def et des équivalents en cdef en respectant les contraintes des deux types de fonctions  Les fonctions cdef sont utilisées en cas de passage de paramètres par référence

181. Maîtriser les Data Sciences avec Python Language Récup • Interopérabilité  Avec C en utilisant Python C API  Avec C en utilisant Cython • Appeler Cython à partir de ipython • Appeler un module pyx à l’aide de pyximport • Appeler un module pyx à l’aide du module Cython

183. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Echange des données avec Protobuff

184. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • C’est quoi Protobuff?  Protobuff permet à Python de traiter des volumes et des structures de données représentées sous forme de tableaux d'octets  Protobuff est très utile pour les data sciences du faite qu'il est possible que plusieurs codes Python peuvent traiter le même tampon de données souvent volumineux sans avoir recours à faire des copies  Protobuff permet aussi l'interopérabilité avec bien d’autres plateformes et langages tel que C++, C#, Objective-C, Java, Ruby et GO  Protobuff est un protocole d’échange de données sous forme de messages, il est crée et utilisé par Google pour l’usage en interne dans un premier lieux

185. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Quel sont les avantages de Protobuff?  Protobuff génère des messages presque 6 fois moins volumineux que XML  Protobuff est 60 fois plus rapide en traitement que XML et JSON  Protobuff plus convenable pour les systèmes embarqués

186. Maîtriser les Data Sciences avec Python Language Interopérabilité & Python • Comment démarrer avec Protobuff?  Installer Protobuff à l’aide de pip3 (optionnel)  Installer grpcio-tools à l’aide de pip3  Créer un fichier en format Protobuff  Générer le fichier python correspondant à l’aide de la commande python3 -m grpc_tools.protoc -I= Nom répertoire --python_out= Nom du dossier de sortie Nom du fichier .proto

187. Maîtriser les Data Sciences avec Python Language Récup • Echange des données avec Protobuff

188. Maîtriser les Data Sciences avec Python Language Le Bilan Quelques notions avancées en Python Béchir BEJAOUI Formateur et consultant indépendant

189. Maîtriser les Data Sciences avec Python Language Le Bilan de la deuxième partie 1. Chapitre la programmation orientée objet en Python 2. Chapitre Les méthodes magiques et compréhensions 3. Chapitre le threading et le coroutine en Python 5. Chapitre l’interopérabilité en Python 4. Chapitre la programmation en métadonnées en Python 6. Le bilan

190. Maîtriser les Data Sciences avec Python Language Prepared for you with love

Support cours : Les Data Sciences avec Python Langage - Partie II

Recommandé

Recommandé

Contenu connexe

Plus de SmartnSkilled

Plus de SmartnSkilled (20)

Dernier

Dernier (11)

Support cours : Les Data Sciences avec Python Langage - Partie II