Skip to content

Latest commit

 

History

History
56 lines (43 loc) · 3.04 KB

File metadata and controls

56 lines (43 loc) · 3.04 KB

Kit Big Data - Session 1

Plan de la session

  • Environnement de développement

    • Editeur de code / IDE
    • Shell
    • Git (init, clone, status, add, commit, push, pull, fetch)
  • Python

    • Distributions
    • Notebook Jupyter: Python, Markdown, Latex, commandes magic
    • Types de base : NonType, bool, int, float
    • Structures : list, tuple, range, str, dict, set
    • Fonctions, lambda
    • Entrées/sorties
    • Programmation par objets
    • Modules : this, math, PyPI, environnements virtuels

A faire

  • Se choisir un éditeur / IDE (Pycharm, Visual Studio Code, Spyder, Sublime, Atom, Notepad++, ...)
  • Installer une distribution scientifique de Python par exemple Anaconda (Python 3)
  • Git/GitHub :
    • Installer git et apprendre à utiliser les bases, a minima : clone, init, pull, status, add, commit, push.
    • Se créer un compte github avec une organisation commune à tout le monde Kit-Big-Data-Telecom-2022-2023 et me rajouter dans l'organisation. Nota bene : une seule organisation pour les 2 Mastères SVP ! Attention pour GitHub il faut une app de double authentification Authy ou l'app github et se créer un token sur le site web à utiliser comme mot de passe sur votre machine.
    • Copie du repo du cours : git clone https://github.com/fran6w/Kit-Big-Data.git
    • Ensuite dans le répertoire cloné, mise à jour depuis le repo du cours : git pull Ne pas modifier la copie locale du repo du cours.
    • Travaillez sur vos projets dans une copie locale de votre repo. Exportez vos modifications sur votre repo GitHub avec les instructions git : add, commit et push.
    • Exemple :
      • Ajout ou modification du fichier projet1.py dans le répertoire local
      • Ensuite :
        • git add projet1.py
        • git commit -m "projet1 fait"
        • git push

Projet Maison

Pour en savoir plus

Prévisionnel session 2

  • Correction Projet Maison n° 1
  • Introduction aux librairies Numpy et Pandas