Formation Jetbrains DataSpell

Programme de formation Jetbrains DataSpell

[Jour 1 – Matin]

Prise en main de DataSpell et configuration d’un environnement Data Science

• Tour d’horizon de l’IDE : projets, fenêtres d’outils, navigation et recherche
• Création d’un projet Python : structure, interpréteur, gestion des dépendances
• Configuration des environnements : venv/Conda, sélection du kernel, gestion des packages
• Paramétrage productivité : thèmes, keymap, inspections, formatage et linting
• Atelier pratique : Créer un projet DataSpell avec un environnement Conda et exécuter un script de validation.

[Jour 1 – Après-midi]

Notebooks dans DataSpell : exécution, exploration et visualisation

• Création et gestion de notebooks : cellules, outputs, redémarrage kernel, variables
• Exploration de données : import CSV/Parquet, aperçu, filtrage et statistiques rapides
• Visualisations : Matplotlib/Seaborn, rendu inline, sauvegarde et export des résultats
• Qualité et reproductibilité : ordre d’exécution, seeds, gestion des dépendances du notebook
• Atelier pratique : Analyser un dataset (pandas) et produire un mini-rapport avec 3 graphiques.

[Jour 2 – Matin]

Débogage, tests et refactoring orientés Data

• Débogage Python : breakpoints, step-by-step, inspection des variables et watch
• Profiling et performance : identification des goulots (pandas), optimisations simples
• Refactoring assisté : extraction de fonctions, renommage sûr, navigation vers usages
• Tests unitaires : configuration pytest, fixtures, exécution ciblée et rapports
• Atelier pratique : Déboguer une pipeline de préparation de données et ajouter 3 tests pytest.

[Jour 2 – Après-midi]

Intégration Git et collaboration : workflow Data Science

• Git dans l’IDE : clone, commit, branches, rebase/merge et résolution de conflits
• Bonnes pratiques notebooks : nettoyage des outputs, gestion des diffs et versioning
• Gestion des dépendances : requirements.txt/conda.yml, verrouillage et reproductibilité
• Revue et partage : changelists, annotations, historique et comparaison de versions
• Atelier pratique : Mettre en place un workflow Git (feature branch) et livrer une PR avec notebook nettoyé.

[Jour 3 – Matin]

SQL et accès aux données : requêtes, connexions et analyse

• Connexion aux sources : PostgreSQL/MySQL/SQLite, drivers, paramètres et sécurité
• Éditeur SQL : autocomplétion, exécution par sélection, résultats et export
• Modélisation rapide : exploration de schémas, clés, jointures et agrégations
• Allers-retours SQL & Python : chargement vers pandas, validation et contrôles
• Atelier pratique : Interroger une base, construire une vue d’analyse et charger le résultat dans un notebook.

[Jour 3 – Après-midi]

Industrialisation légère : exécution, packaging et livrables

• Structurer une pipeline : scripts, modules, paramètres, logs et gestion des erreurs
• Exécutions reproductibles : run configurations, variables d’environnement, fichiers .env
• Packaging minimal : organisation du code, dépendances, entrypoints et documentation
• Livrables : export notebook (HTML), génération de rapports et checklist de livraison
• Atelier pratique : Transformer un notebook en script paramétrable et produire un livrable HTML reproductible.