Formation · Claude Code · Data science & machine learning

Claude Code pour les data scientists et ML engineers

Le coding agentique avec Claude Code dans le terminal et l’IDE : CLAUDE.md, sous-agents, hooks, MCP, CI et gestion fine des permissions.

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

Cette formation associe Claude Code aux processus quotidiens du domaine Data science & machine learning. Les participants travaillent sur des scénarios réalistes et repartent avec des prompts, des workflows et des checklists immédiatement utilisables.

Claude Code est l’assistant de développement agentique d’Anthropic, qui travaille directement dans votre terminal et dans les principaux IDE. Au lieu de compléter des lignes isolées, il explore votre dépôt, planifie des modifications sur plusieurs fichiers, lance des commandes et des tests, puis prépare les commits. En deux jours, vous apprenez à l’utiliser de façon maîtrisée : des consignes de projet claires dans CLAUDE.md, une gestion réfléchie du contexte et une méthode où vous gardez la main sur la direction et sur chaque modification.

La formation s’appuie sur des tâches de développement concrètes : analyser un bug, livrer une fonctionnalité, refactorer du code hérité, compléter la couverture de tests. Vous configurez des sous-agents spécialisés, imposez des contrôles qualité grâce aux hooks, connectez des systèmes externes via le Model Context Protocol (MCP) et capitalisez le savoir de l’équipe sous forme de skills. Pour finir, vous exécutez Claude Code en mode headless dans vos pipelines CI et définissez permissions, sandbox et règles d’approbation adaptées aux environnements sensibles.

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 confiez à Claude Code des tâches de développement en plusieurs étapes tout en gardant le contrôle de chaque modification.
  • Vous tenez à jour un fichier CLAUDE.md qui transmet efficacement conventions, commandes et repères d’architecture à l’agent.
  • Vous étendez Claude Code avec des sous-agents, des hooks, des serveurs MCP et des skills adaptés à votre équipe.
  • Vous intégrez Claude Code à vos workflows Git et à vos pipelines CI avec des résultats traçables et couverts par des tests.
  • 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 Principes et fonctionnement de Claude Code
  • Installation, connexion et utilisation dans le terminal, VS Code et les IDE JetBrains
  • Comprendre la boucle agentique : lire, planifier, agir, vérifier
  • Utiliser le mode plan pour valider l’approche avant toute modification
  • Rédiger des demandes efficaces avec objectif, contexte et critères d’acceptation
Module 2 Contexte projet avec CLAUDE.md et gestion du contexte
  • Structurer CLAUDE.md au niveau du projet, des répertoires et de l’utilisateur
  • Documenter commandes de build, de test et conventions de style pour que l’agent les respecte
  • Maîtriser la fenêtre de contexte : références ciblées, compactage, nouvelles sessions
  • Reprendre une session et découper les tâches longues en étapes maîtrisables
Module 3 Étendre Claude Code : sous-agents, hooks, MCP et skills
  • Définir des sous-agents pour la revue de code, la recherche ou la génération de tests
  • Utiliser les hooks pour imposer formatage, linting ou contrôles avant et après chaque outil
  • Connecter des serveurs MCP pour les outils de tickets, les bases de données ou la documentation interne
  • Créer des commandes slash et des skills pour les workflows récurrents de l’équipe
Module 4 Workflows Git, tests et assurance qualité
  • Créer branches, commits explicites et pull requests avec Claude Code
  • Travailler en test d’abord : faire écrire les tests avant l’implémentation
  • Relire les diffs méthodiquement, rejeter ou affiner les modifications
  • Organiser le travail en parallèle avec les worktrees Git et plusieurs sessions

Jour 2

Module 5 Mode headless, CI et sécurité
  • Exécuter Claude Code de façon non interactive dans des scripts et pipelines CI
  • Automatiser revues et traitement des tickets dans GitHub ou GitLab
  • Configurer modes de permission, règles d’autorisation et d’interdiction, sandbox
  • Gérer les secrets, les risques d’injection de prompt et les politiques d’entreprise
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 une pratique réelle de la programmation dans au moins un langage et maîtrisez Git ainsi que la ligne de commande. 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 droits administrateur, Git, environnement Node.js et un éditeur récent ; un abonnement Claude ou un accès à l’API Anthropic est nécessaire pour les exercices.

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.

  • mer. 25 novembre 2026 – jeu. 26 novembre 2026 En ligne Demander
  • jeu. 10 décembre 2026 – ven. 11 décembre 2026 Salzbourg Demander
  • mer. 16 décembre 2026 – jeu. 17 décembre 2026 En ligne Demander
  • jeu. 21 janvier 2027 – ven. 22 janvier 2027 Brême Demander
  • lun. 25 janvier 2027 – mar. 26 janvier 2027 En ligne Demander
  • jeu. 4 février 2027 – ven. 5 février 2027 Augsbourg Demander

Questions fréquentes

Qu’est-ce qui distingue Claude Code de l’autocomplétion classique ?

L’autocomplétion propose les lignes suivantes, alors que Claude Code agit comme un agent capable de traiter une tâche entière : il explore le dépôt, planifie des modifications sur plusieurs fichiers, exécute tests et commandes, puis se corrige à partir des résultats. Vous fixez l’objectif et validez le résultat au lieu de piloter chaque ligne.

Claude Code est-il suffisamment sûr pour un usage en entreprise ?

Par défaut, Claude Code demande une validation avant de modifier un fichier ou de lancer une commande. Règles de permission, sandbox, paramètres gérés et hooks permettent de définir précisément ce que l’agent a le droit de faire. Pendant la formation, vous apprenez à les configurer selon vos exigences de sécurité et de protection des données, et à évaluer des risques comme l’injection de prompt.

Claude Code fonctionne-t-il avec mon langage et ma stack technique ?

Oui. Claude Code est indépendant du langage, car il travaille avec des fichiers, des commandes de terminal et vos outils de build et de test existants. Python, Java, TypeScript, Go, développements SAP ou infrastructure as code : l’essentiel est un CLAUDE.md bien rédigé qui décrit vos commandes et conventions. Chaque déclinaison de la formation apporte l’ancrage métier.

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 « Claude Code 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 Claude Code

Les 77 formations Claude Code

Claude Code · MunichClaude Code · SalzbourgClaude Code · BerlinClaude Code · AugsbourgClaude Code · HanovreClaude Code · BrêmeClaude Code · StuttgartClaude Code · KaiserslauternClaude Code · En ligne