Formation · Agentic Coding · Data science & machine learning

Agentic Coding pour les data scientists et ML engineers

Maîtriser les agents de développement autonomes : spécifications, découpage des tâches, boucles de tests, multi-agents et gouvernance.

Durée
2 jours (14 h)
Format
En ligne ou en présentiel
Langue
Allemand ou anglais
Participants
sessions ouvertes ou intra-entreprise
Attestation
Attestation de participation

Présentation

« Agentic Coding pour les data scientists et ML engineers » est une formation pratique destinée notamment aux profils suivants : Data scientists en directions métier et équipes analytiques, ML engineers responsables de l’entraînement et du déploiement et Data analysts qui se lancent en Python et en machine learning. Vous découvrez Agentic Coding non pas de façon abstraite, mais à travers des tâches de votre quotidien – avec des exemples, des exercices et des modèles issus du domaine Data science & machine learning.

L’agentic coding consiste à travailler avec des agents d’IA qui réalisent des tâches de développement de manière largement autonome : ils lisent le code, planifient les modifications, exécutent commandes et tests, puis se corrigent à partir des résultats. Claude Code, OpenAI Codex, l’agent de codage de GitHub Copilot ou le mode Agent de Cursor rendent cette approche praticable au quotidien. Cette formation indépendante des éditeurs transmet la méthode sous-jacente pour obtenir des résultats fiables quel que soit l’outil et repenser le rôle du développeur.

Le changement clé consiste à passer du prompt improvisé à la spécification solide. Vous apprenez à découper et décrire les tâches pour que les agents les mènent à bien, à mettre en place des boucles pilotées par les tests où ceux-ci servent de critère d’acceptation objectif, et à faire travailler plusieurs agents en parallèle ou en répartissant les rôles. Nous abordons aussi la revue du code produit par les agents et la gouvernance d’équipe : permissions, limites de sécurité, responsabilités, maîtrise des coûts et adoption progressive.

La data science et le machine learning reposent sur des allers-retours rapides entre exploration, modélisation et mise en production. Une grande partie du temps passe dans la préparation des données avec pandas ou Polars, le feature engineering, la visualisation, les expériences d’hyperparamètres et, enfin, la transformation de notebooks en pipelines maintenables. Les assistants et agents de codage IA accélèrent chacune de ces étapes : code d’exploration et de visualisation, stratégies de validation, refactoring de notebooks en modules Python testés, scripts d’entraînement scikit-learn ou PyTorch, suivi d’expériences avec MLflow. La rigueur méthodologique reste toutefois indispensable, car un code d’apparence plausible peut masquer une fuite de données ou des métriques trompeuses. Vous apprendrez à utiliser l’IA efficacement tout en garantissant la qualité statistique de vos résultats.

La formation se déroule en direct – en ligne dans une classe virtuelle ou en présentiel dans nos salles à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart et Kaiserslautern. Nous pouvons également l’organiser en intra pour votre équipe.

À qui s’adresse cette formation ?

  • Data scientists en directions métier et équipes analytiques
  • ML engineers responsables de l’entraînement et du déploiement
  • Data analysts qui se lancent en Python et en machine learning
  • Chercheurs et développeurs aux flux de travail centrés sur les notebooks
  • Équipes MLOps exploitant des modèles en production

Les défis concrets que nous traitons

  • Des notebooks touffus, difficiles à reproduire et à industrialiser
  • Une préparation des données et un feature engineering chronophages
  • Des erreurs méthodologiques : fuite de données, métriques inadaptées, validation biaisée
  • Un manque de traçabilité des expériences, des modèles et des versions de données

Objectifs pédagogiques

  • Vous comprenez le fonctionnement des agents de développement et choisissez l’outil et le degré d’autonomie adaptés.
  • Vous rédigez des spécifications et un contexte projet sur lesquels les agents s’appuient de façon fiable.
  • Vous découpez les chantiers en sous-tâches vérifiables et pilotez les agents par des boucles fondées sur les tests.
  • Vous mettez en œuvre des configurations multi-agents et du travail parallèle de manière maîtrisée.
  • Accélérer exploration, feature engineering et modélisation avec des assistants IA sans renoncer à la rigueur méthodologique.
  • Transformer, avec des agents IA, le code des notebooks en pipelines ML testés et reproductibles.
  • Repérer les erreurs typiques du code ML généré, comme les fuites de données ou les métriques inadaptées, et les corriger de manière ciblée.

Programme

Jour 1

Module 1 Les bases du développement agentique
  • Fonctionnement des agents : appels d’outils, fenêtre de contexte, boucles de rétroaction
  • Comparer les outils : agents en terminal, agents dans l’IDE, agents cloud
  • Identifier les tâches adaptées et choisir consciemment le degré d’autonomie
  • Le nouveau rôle dans l’équipe : de l’implémentation au pilotage et à la validation
Module 2 La spécification plutôt que le prompt
  • Décrire une tâche avec objectif, contexte, contraintes et critères d’acceptation
  • Ancrer le contexte projet dans des fichiers comme CLAUDE.md, AGENTS.md ou des rules
  • Démarche plan d’abord : faire proposer une approche par l’agent et la valider avant exécution
  • Versionner les spécifications et les maintenir dans le dépôt
Module 3 Découpage des tâches et boucles pilotées par les tests
  • Découper un chantier en sous-tâches indépendantes et vérifiables
  • Faire écrire les tests d’abord et s’en servir comme critère d’arrêt objectif
  • Utiliser linters, vérifications de types et builds comme retours automatiques
  • Détecter une boucle qui stagne et relancer avec une autre stratégie
Module 4 Configurations multi-agents et parallélisation
  • Définir des sous-agents spécialisés pour la recherche, l’implémentation, les tests et la revue
  • Organiser le travail parallèle avec branches, worktrees et environnements isolés
  • Orchestration : consolider les résultats et résoudre les conflits
  • Partager outils et sources de données via MCP

Jour 2

Module 5 Revue, sécurité et gouvernance d’équipe
  • Stratégies de revue pour des modifications volumineuses produites par des agents
  • Définir permissions, sandbox et protections contre l’injection de prompt
  • Intégrer les agents aux pipelines CI et au processus de pull request
  • Planifier règles d’équipe, responsabilités, coûts et déploiement progressif
Module 6 Atelier pratique : Data science & machine learning
  • Analyse exploratoire des données
  • Des notebooks aux pipelines
  • Entraînement et validation des modèles
  • Suivi d’expériences et MLOps
  • Expliquer et auditer les modèles
  • Évaluer des prototypes LLM et RAG
Module 7 Protection des données, qualité & mise en pratique
  • Les données d’entraînement et d’analyse contiennent souvent des informations personnelles : utilisez dans les prompts des schémas, des agrégats ou des données synthétiques et respectez les principes du RGPD comme la limitation des finalités. Pour les systèmes à haut risque, l’AI Act européen impose des exigences de qualité des données, de documentation et de transparence ; les licences des jeux de données, modèles pré-entraînés et paquets Python sont également à vérifier.
  • Règles du jeu pour un usage sûr de l’IA en équipe
  • Vérifier les résultats : faits, sources, tests et principe des quatre yeux
  • Plan d’action personnel pour les 30 prochains jours
  • Questions ouvertes, perspectives et ressources pour aller plus loin

Cas pratiques de votre domaine

Analyse exploratoire des données

L’assistant génère le code de profilage, de distributions, de corrélations et de valeurs manquantes avec pandas ou Polars, produit des visualisations parlantes et synthétise les anomalies sous forme d’hypothèses de modélisation.

Des notebooks aux pipelines

L’agent refactorise le code des notebooks en modules Python avec fonctions, configuration et tests pytest, supprime les états cachés et rend l’entraînement comme l’inférence reproductibles.

Entraînement et validation des modèles

L’IA construit des pipelines scikit-learn ou des boucles d’entraînement PyTorch avec validation croisée rigoureuse, métriques adaptées et modèles de référence, et signale activement les risques de fuite de données ou de déséquilibre des classes.

Suivi d’expériences et MLOps

L’assistant configure MLflow ou un outil équivalent pour les paramètres, métriques et artefacts, versionne les modèles et crée des workflows d’entraînement et de déploiement intégrés à la CI/CD.

Expliquer et auditer les modèles

Avec SHAP, l’importance par permutation ou les partial dependence plots, l’IA produit des explications des décisions du modèle ainsi que des analyses d’équité et de robustesse sur les sous-groupes pertinents.

Évaluer des prototypes LLM et RAG

L’IA aide à constituer des jeux d’évaluation, des métriques de notation automatisées et des expériences comparatives entre variantes de prompts, modèles d’embedding ou stratégies de recherche.

Projets pratiques possibles

Prédiction d’attrition expliquée

Un projet complet, de la préparation des données à un modèle de gradient boosting, jusqu’à une petite application Streamlit affichant prédictions et explications SHAP.

Script de surveillance de modèle

Un script qui compare dans le temps les distributions des données et des prédictions, détecte les dérives et génère un rapport synthétique illustré.

Banc d’évaluation pour un chatbot RAG

Un dispositif de test avec jeu de questions, réponses de référence et notation automatique, qui compare plusieurs configurations de recherche et de prompts.

Prérequis

Vous avez plusieurs années d’expérience en développement, maîtrisez Git, les tests et la CI, et avez idéalement déjà utilisé des outils de codage assisté par IA. Une bonne maîtrise de Python, une pratique de pandas ou Polars et de scikit-learn, ainsi que des bases en statistiques et en machine learning.

Prérequis techniques

Ordinateur portable personnel avec Git, un terminal et votre environnement de développement, ainsi qu’un accès à au moins un agent comme Claude Code, Codex, Copilot ou Cursor.

Protection des données & conformité

Les données d’entraînement et d’analyse contiennent souvent des informations personnelles : utilisez dans les prompts des schémas, des agrégats ou des données synthétiques et respectez les principes du RGPD comme la limitation des finalités. Pour les systèmes à haut risque, l’AI Act européen impose des exigences de qualité des données, de documentation et de transparence ; les licences des jeux de données, modèles pré-entraînés et paquets Python sont également à vérifier.

Dates proposées

Toutes les dates sont indicatives – votre date souhaitée est toujours possible.

  • jeu. 26 novembre 2026 – ven. 27 novembre 2026 En ligne Demander
  • mer. 9 décembre 2026 – jeu. 10 décembre 2026 Stuttgart Demander
  • jeu. 7 janvier 2027 – ven. 8 janvier 2027 Hanovre Demander
  • lun. 11 janvier 2027 – mar. 12 janvier 2027 En ligne Demander
  • mer. 20 janvier 2027 – jeu. 21 janvier 2027 Berlin Demander
  • mar. 2 février 2027 – mer. 3 février 2027 En ligne Demander

Questions fréquentes

Quelle différence entre agentic coding et vibe coding ?

Le vibe coding mise sur des itérations rapides et intuitives en langage naturel et convient surtout aux prototypes. L’agentic coding est une démarche d’ingénierie pour des bases de code professionnelles : spécifications précises, tests comme critères d’acceptation, permissions encadrées et revues structurées garantissent des résultats fiables et maintenables, y compris sur des projets complexes et durables.

La formation est-elle liée à un outil particulier ?

Non. Elle transmet des méthodes qui fonctionnent avec Claude Code, OpenAI Codex, l’agent de codage de GitHub Copilot, Cursor et les outils comparables. Les exercices font ressortir différences et points communs, par exemple pour les fichiers de contexte, les permissions et les sous-agents. Vous travaillez avec l’outil déjà utilisé ou envisagé dans votre entreprise.

Comment garder la maîtrise de la qualité et de la sécurité avec des agents autonomes ?

La maîtrise repose sur plusieurs niveaux : permissions restreintes et sandbox, tests et analyse statique comme contrôles automatiques, revue humaine obligatoire avant fusion et règles d’équipe claires sur les responsabilités. Pendant la formation, vous élaborez un cadre de gouvernance adapté à vos processus, à vos exigences de sécurité et à vos obligations réglementaires.

Peut-on faire confiance à l’IA sur les questions statistiques ?

Les assistants IA connaissent très bien les méthodes courantes, mais commettent parfois des erreurs méthodologiques, par exemple dans la séparation des données d’entraînement et de test ou le choix des métriques. Vous apprendrez à interroger explicitement l’IA sur ses hypothèses et les risques, à confronter les résultats à des références et contrôles de cohérence, et à garder la responsabilité scientifique.

Le codage assisté par IA fonctionne-t-il dans Jupyter ?

Oui. De nombreux assistants prennent en charge les notebooks, et les agents savent aussi les lire, les exécuter et les convertir en modules. Nous montrons dans quels cas les notebooks sont idéaux pour l’exploration et comment passer efficacement, avec l’aide de l’IA, à un code versionné et testé.

Combien coûte la formation « Agentic Coding pour les data scientists et ML engineers » ?

La formation coûte 949 € HT forfaitaires par participant – en ligne comme en présentiel. Sont inclus 2 jour(s) de formation avec un formateur en direct, les supports de cours, un environnement d’exercice et une attestation de participation.

Puis-je proposer ma propre date ?

Oui. Nos dates sont indicatives. Dans le formulaire, vous pouvez à tout moment indiquer librement la date ou la période souhaitée – nous vérifions les disponibilités et confirmons sous un jour ouvré.

La formation a-t-elle lieu en ligne ou en présentiel ?

Les deux sont possibles : en direct dans une classe virtuelle ou en présentiel à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart ou Kaiserslautern. Nous pouvons aussi l’organiser en intra pour votre équipe.

Autres formations pour les data scientists et ML engineers

Autres formations Agentic Coding

Les 32 formations Agentic Coding

Agentic Coding · MunichAgentic Coding · SalzbourgAgentic Coding · BerlinAgentic Coding · AugsbourgAgentic Coding · HanovreAgentic Coding · BrêmeAgentic Coding · StuttgartAgentic Coding · KaiserslauternAgentic Coding · En ligne