Public visé

• Développeurs Python
• Data scientists et ML engineers
• Profils techniques en ESN ou cabinets de conseil

Prérequis

• Maîtrise de Python intermédiaire (fonctions, classes, décorateurs, gestion d'exceptions)
• Bases du typage Python (type hints) et notions de HTTP (méthodes, codes de statut)
• Aisance avec Git et la ligne de commande

Méthodes pédagogiques

• Apports théoriques : exposés interactifs avec schémas et cas concrets
• Live coding : construction progressive d'une API réelle tout au long des 3 jours
• Pédagogie par la pratique : 70 % du temps consacré à la mise en pratique
• Pédagogie par l'erreur : analyse des anti-patterns fréquents en production
• Projet fil rouge : chaque participant construit une API complète et déployée
• Support de cours et template FastAPI production-ready remis aux stagiaires
• QCM mi-parcours (25 questions) et QCM final (30 questions) avec présentation du projet

Programme détaillé

Jour 1 — Fondamentaux REST et premiers endpoints FastAPI

• Rappels REST : ressources, méthodes HTTP, codes de statut
• Bonnes pratiques de design d'API : nommage, versioning, pagination
• Pourquoi FastAPI : comparaison avec Flask et Django REST Framework
• Installation et structure d'un projet FastAPI
• Premier endpoint GET : route, path parameters, query parameters
• Endpoints POST, PUT, DELETE : corps de requête
• Organisation du code : routers, modules, structure recommandée
• Introduction à Pydantic v2 : modèles, types, validation automatique
• Validateurs personnalisés : field_validator, model_validator
• Réponses typées avec response_model
• Gestion des erreurs : HTTPException, handlers personnalisés
• Codes de statut HTTP : 201, 204, 400, 404, 422, 500
• Documentation automatique OpenAPI : Swagger UI et ReDoc
• Enrichir la doc : summary, description, tags, examples

Jour 2 — Base de données, sécurité et asynchrone

• Panorama des ORM : SQLAlchemy 2.0, SQLModel, Tortoise ORM
• Configuration d'une base PostgreSQL locale et cloud
• Mise en place de SQLAlchemy 2.0 avec FastAPI
• Dependency injection : Depends pour la session de base de données
• Opérations CRUD complètes avec une base relationnelle
• Migrations de schéma avec Alembic : principes et premier cas
• Mode asynchrone avec asyncpg et SQLAlchemy async
• Transactions et gestion d'erreurs au niveau de la base
• Authentification : API Key, OAuth2 Password Bearer
• JWT (JSON Web Token) : génération, validation, refresh
• Dépendances de sécurité : patterns réutilisables
• CORS : comprendre et configurer correctement
• Async en Python : principes, async / await dans FastAPI
• Tests de charge : wrk, Locust, mesure de concurrence

Jour 3 — Exposer des modèles IA, tests et déploiement

• Exposer un modèle de ML via une API FastAPI
• Chargement du modèle au démarrage : lifespan events
• Endpoint de prédiction : validation d'entrée, réponse typée
• Cas pratique : exposer un modèle scikit-learn ou HuggingFace
• Intégration d'une API LLM externe (OpenAI, Claude) via FastAPI
• Streaming des réponses : Server-Sent Events avec FastAPI
• Tests unitaires avec pytest et TestClient
• Tests d'intégration avec httpx AsyncClient
• Fixtures, mocks, base de données de test
• Couverture de code et CI : GitHub Actions
• Consommer l'API depuis un front JavaScript : fetch, axios
• Consommer l'API depuis un outil no-code : Make, Zapier, n8n
• Déploiement de l'API : uvicorn, gunicorn, workers
• Dockeriser son API : Dockerfile minimaliste
• Déploiement sur Render, Railway et comparaison Azure App Service
• Configuration production : logging, gestion des secrets, health check