Dans la fenêtre d’impression, choisissez « Enregistrer en PDF » comme destination.
Réf. PYT-SCI
Python - Développer des applications de calcul scientifique
Langages & Développement Logiciel
Durée
21 à 28 heures (3 à 4 jours) selon le format
Modalités
Présentiel, Classe à distance
Reconnaissance
Formation non certifiante (attestation de fin de formation)
Format de vente
Inter-entreprise ou Intra-entreprise
Délai d’accès
Inter : jusqu’à 5 jours ouvrés avant la session ; intra : en moyenne 15 jours ouvrés après l’acceptation du devis
Tarif intra
Sur devis
Pourquoi suivre cette formation
Traiter des données scientifiques et techniques demande de maîtriser les bibliothèques spécialisées de Python. Cette formation vous apprend à utiliser NumPy, Pandas et Matplotlib pour accélérer vos calculs et vos analyses.
À l’issue de cette formation, les participants seront capables de
Manipuler et effectuer des opérations mathématiques et matricielles à haute performance
Nettoyer, restructurer et croiser d'importants volumes de données hétérogènes
Automatiser des analyses statistiques complexes sur des séries temporelles et des données tabulaires
Concevoir des représentations graphiques, des courbes et des tableaux de bord scientifiques sur-mesure
Importer, traiter et exporter des données de calculs depuis des formats diversifiés (CSV, Excel, JSON)
IMPACTTerrain28 heures (4 jours) · dont une journée en décalé2 605 € HTpar participant (inter-entreprises)
Chaque format reprend le précédent et y ajoute des journées.
Public visé
Ingénieurs, techniciens, analystes de données, contrôleurs de gestion, chercheurs ou toute personne ayant besoin de traiter, d'analyser et de modéliser des données scientifiques ou financières complexes.
Prérequis
Maîtriser l'algorithmique et la syntaxe de base de Python (variables, structures conditionnelles, boucles et fonctions).
Prérequis techniques à distance
La classe virtuelle se tient sur Microsoft Teams : AMBIA fournit à chaque participant un compte pour la durée de la formation. En intra-entreprise, elle peut aussi se tenir sur l’outil que l’entreprise utilise déjà, par exemple Zoom ou Google Meet.
Le participant se connecte depuis un ordinateur équipé d’une caméra, d’un micro, d’un accès à internet et d’un navigateur à jour, dans un lieu calme. Si la formation le demande, le formateur donne accès à un poste de travail à distance, depuis le navigateur.
Pendant la formation, l’assistance technique répond à support@ambia-skills.fr.
Objectifs pédagogiques
Identifier les rôles et structures des packages scientifiques clés (NumPy, Pandas, Matplotlib).
Expliquer le fonctionnement de la vectorisation de calculs et de l'indexation de séries de données.
Manipuler et nettoyer des tableaux de données multidimensionnelles et des DataFrames hétérogènes.
Réaliser des calculs statistiques agrégés et des analyses de séries temporelles complexes.
Juger de la cohérence technique d'un traitement mathématique et de l'adéquation d'une modélisation graphique.
Concevoir une application d'analyse de données complète associant calculs scientifiques et visualisations avancées.
Programme détaillé
Jour 1ACTION
Matin
Fondations du calcul vectoriel avec NumPy
Maîtriser le calcul vectoriel et matriciel pour accélérer les performances de traitement numérique par rapport aux boucles Python classiques.
Introduction aux tableaux multidimensionnels avec l'objet ndarray de NumPy.
Création de structures de tableaux (vecteurs, matrices, fonctions d'initialisation de dimensions).
Indexation, découpage (slicing) et sélection conditionnelle de sous-tableaux.
Compréhension des mécanismes de vectorisation de calculs et de diffusion (broadcasting).
Application des fonctions mathématiques et statistiques de NumPy selon les différents axes de calcul.
Atelier pratique
Manipulation, filtrage logique et opérations arithmétiques vectorisées sur des grilles d'échantillons géographiques.
Cas métier
Nettoyage et lissage d'un relevé de température de capteurs industriels (filtrage des valeurs aberrantes par interpolation).
Compétence acquise
Savoir manipuler des tableaux de données multidimensionnelles de manière optimisée et performante.
Livrable
Script de calcul et de lissage thermique vectorisé à haute performance.
Après-midi
Analyser des données structurées avec Pandas (Series et DataFrame)
Structurer, lire et manipuler des données tabulaires hétérogènes (de type base de données ou tableur) avec la bibliothèque Pandas.
Découverte de l'anatomie des structures de données clés : Series et DataFrame de Pandas.
Mécanismes de lecture et de chargement de fichiers de données externes (CSV, Excel, JSON).
Exploration initiale et diagnostic statistique d'un jeu de données (dimensions, types, aperçus, métadonnées).
Sélection de colonnes et de lignes (.loc, .iloc) et application de filtres complexes.
Opérations d'alignement de données, d'indexation personnalisée et de modification structurelle de tables.
Atelier pratique
Audit de structure, sélection ciblée et requêtage de fichiers de données complexes d'un catalogue produit.
Cas métier
Importation et analyse exploratoire d'un historique de transactions financières multi-devises pour en extraire des données statistiques globales.
Compétence acquise
Être capable d'importer, de structurer et d'auditer de grands volumes de données tabulaires.
Livrable
Script d'ingestion et de diagnostic d'un journal comptable complexe.
Jour 2ACTION
Matin
Nettoyage et préparation de données avancée avec Pandas
Maîtriser le nettoyage de données de production complexes et hétérogènes pour les préparer aux étapes de modélisation mathématique.
Traitement rigoureux des valeurs manquantes (NaN) : détection, suppression de lignes/colonnes ou techniques d'imputation (remplacement).
Détection et élimination des doublons de lignes et gestion des incohérences de saisie textuelle.
Conversion de types de colonnes (astype) et gestion avancée des chaînes de caractères avec les accesseurs de texte.
Combinaison, fusion (merge) et concaténation (concat) de sources de données hétérogènes.
Création de variables et indicateurs dérivés à partir de calculs sur plusieurs colonnes.
Atelier pratique
Reconstitution et fusion d'une base de données à partir de fichiers de tables découpés contenant des anomalies de jointure.
Cas métier
Préparation d'un catalogue de mesures de laboratoires en corrélant des mesures physiques brutes avec des informations sur les lots de fabrication.
Compétence acquise
Savoir assainir et fusionner des données fragmentées pour les rendre exploitables pour des analyses fiables.
Livrable
Script de nettoyage et d'unification de données laboratoires.
Après-midi
Agrégation, synthèse et analyses statistiques
Réaliser des calculs statistiques groupés et synthétiser des informations volumineuses en indicateurs métiers clés.
Application de regroupements de données complexes grâce au mécanisme puissant groupby().
Fonctions d'agrégation multiples (agg()) personnalisées et calculs d'indicateurs par groupes métiers.
Création de tables de synthèse croisées dynamiques avec les tableaux croisés de Pandas (pivot_table()).
Introduction aux analyses statistiques descriptives fondamentales (corrélations, distributions, écarts-types).
Atelier pratique
Pivotement et regroupement analytique d'une base de données d'activité pour synthétiser des moyennes d'indicateurs de performance.
Cas métier
Analyse et synthèse statistique croisée des indicateurs de production industrielle par ligne de production, équipe et type de machine.
Compétence acquise
Être capable d'extraire des indicateurs de synthèse croisés à partir de millions de lignes de données.
Livrable
Tableau de synthèse croisée dynamique d'activité industrielle.
Jour 3ACTION
Matin
Gérer et traiter les séries temporelles
Manipuler et analyser des séries chronologiques indexées sur le temps pour modéliser des évolutions temporelles.
Introduction aux objets temporels de Pandas (Timestamp, DatetimeIndex).
Techniques de conversion de dates, d'indexation chronologique et d'accès aux attributs temporels (jour, mois, heure).
Rééchantillonnage de données temporelles (resample) pour modifier la fréquence (ex : passage d'une donnée horaire à une synthèse mensuelle).
Application de calculs glissants (rolling) pour le calcul de moyennes mobiles et le lissage de courbes.
Gestion des fuseaux horaires et traitement des décalages dans le temps.
Atelier pratique
Filtrage de plages de dates dynamiques et calcul de moyennes mobiles sur un historique d'activité.
Cas métier
Analyse chronologique d'un journal de consommation d'énergie réseau avec rééchantillonnage à la journée et calcul de profils de charge types.
Compétence acquise
Savoir analyser et modéliser des flux de données indexées dans le temps.
Livrable
Script de calcul de profils de charge temporels énergétiques.
Après-midi
Visualisation scientifique et présentation graphique des données
Concevoir des graphiques professionnels, rigoureux et esthétiques pour restituer visuellement les résultats d'analyses scientifiques.
Architecture générale et concepts de la bibliothèque graphique Matplotlib (Figure, Axes).
Création de tracés de base : courbes, diagrammes en barres, histogrammes de distribution, nuages de points.
Personnalisation complète des éléments de graphique (titres, légendes, axes, grilles de lecture, annotations).
Conception de figures complexes composées de plusieurs sous-graphiques (subplots).
Introduction aux styles et thèmes pour une esthétique épurée et moderne.
Exportation des visuels dans des formats haute résolution adaptés aux rapports scientifiques ou commerciaux (PNG, PDF vectoriel).
Atelier pratique
Création pas-à-pas d'une figure multi-panneaux personnalisée avec des tracés et des échelles différentes.
Cas métier
Réalisation du tableau de bord de résultats d'une campagne de tests de résistance mécanique, intégrant les distributions de contraintes et les courbes d'évolution temporelles.
Compétence acquise
Être capable de traduire des résultats de calculs scientifiques en visualisations décisionnelles hautement qualitatives.
Livrable
Graphique d'analyse de performances multi-panneaux de qualité publication.
Jour 4 · en décaléIMPACT
Matin
Diagnostic de vos traitements Pandas et optimisation de la mémoire
Analyser les scripts de calcul réels et vectoriser les opérations pour accélérer les temps de traitement.
Les participants apportent leurs volumes de données qui saturent la mémoire : remplacement des boucles Python par des calculs vectorisés NumPy et Pandas, choix de types de données plus légers (category, int32).
Après-midi
Automatiser vos rapports et vos graphiques scientifiques
Automatiser la génération de figures et de rapports d'analyse scientifique prêts pour la publication/restitution.
Production automatique des bilans d'essais : bibliothèque graphique de l'entreprise (Seaborn, Plotly), export en PDF et HTML et intégration dans les notebooks Jupyter.
Les ateliers et cas métier de ce programme pourront être adaptés par le consultant-formateur selon les besoins, le niveau et les prérequis des participants, pour favoriser l’atteinte des objectifs pédagogiques.
Méthodes et moyens pédagogiques
Méthodes mobilisées
Pédagogie active et immersive basée sur des simulations de cas métiers réels. Alternance d'explications de concepts mathématiques appliqués, de démonstrations techniques par le consultant-formateur sur IDE, d'exercices d'écriture de code en autonomie et de revues critiques collectives pour valider la performance des algorithmes et l'esthétique des rapports produits.
Moyens techniques
Un poste informatique individuel par participant, distribution d'un interpréteur Python intégrant les distributions scientifiques à jour (NumPy, SciPy, Pandas, Matplotlib), accès aux espaces numériques AMBIA, système de vidéoprojection ou de partage d'écran haute résolution. Fourniture d'un ensemble complet de bases de données réelles et techniques de test (relevés de capteurs, journaux financiers bruts).
Moyens humains
Formation animée par un consultant-formateur expert senior, ingénieur d'étude, chercheur en calcul scientifique ou DataScientist en activité dans le domaine industriel ou financier, disposant d'une expérience poussée de la modélisation sous Python.
Modalités d’évaluation
Évaluation diagnostique
Questionnaire de positionnement technique en amont pour valider les prérequis (syntaxe Python de base).
Évaluation formative
Ateliers pratiques basés sur des cas industriels et techniques tout au long des 3 jours.
Évaluation sommative
Questionnaire de validation des acquis sous forme de QCM en fin de formation et d'analyse de données) en fin de formation et audit des livrables de l'atelier.
Suivi
Feuilles de présence signées par demi-journée, en présentiel comme à distance.
Attestation de fin de formation remise à chaque stagiaire, mentionnant les objectifs, la nature, la durée et les résultats de l’évaluation.
Certificat de réalisation adressé au client ou au financeur.
Questionnaire de satisfaction remis à l’issue de la formation.
Délai d’accès
Inter-entreprises : L’inscription est possible jusqu’à 5 jours ouvrés avant le début de la session, sous réserve des places disponibles.
Intra-entreprise : La formation débute en moyenne 15 jours ouvrés après l’acceptation du devis.
Ce délai peut être adapté selon la disponibilité des sessions, le positionnement du stagiaire et, le cas échéant, l’instruction du dossier de prise en charge par le financeur.
Accessibilité handicap
Nos parcours sont adaptables aux personnes en situation de handicap. Contactez notre référent pour l'étude des aménagements.
Référent handicap : accessibilite@ambia-skills.fr. Aucune reconnaissance de la qualité de travailleur handicapé ni aucun justificatif médical n’est exigé.
Indicateurs de résultats
Indicateurs publiés à partir de 3 avis.
Mode de calcul : www.ambia-skills.fr/notre-approche#notes
