Public visé

• Développeurs Python souhaitant mettre en production leurs scripts et applications
• Data analysts et data scientists confrontés à des besoins de déploiement (API, scripts programmés)
• Profils techniques en ESN ou cabinets de conseil intervenant sur des projets cloud

Objectifs pédagogiques

• Comprendre les fondamentaux du cloud : IaaS, PaaS, SaaS, régions, zones de disponibilité
• Comparer les principales plateformes pour Python (Render, Railway, Azure, AWS, GCP)
• Gérer les dépendances Python de manière reproductible (requirements.txt, pyproject.toml, uv)
• Utiliser les variables d'environnement et les secrets de manière sécurisée
• Déployer un script Python sur une plateforme PaaS en moins d'une heure
• Déployer une API Python (FastAPI, Flask) accessible publiquement
• Mettre en place une exécution automatisée : tâches planifiées, cron, workers
• Configurer un pipeline de déploiement continu depuis GitHub
• Monitorer une application en production : logs, métriques, alertes
• Estimer et maîtriser les coûts d'hébergement
• Appliquer les bonnes pratiques de sécurité de base

Prérequis

• Python intermédiaire : fonctions, classes, modules, gestion d'exceptions
• Aisance en ligne de commande (Linux / macOS / WSL)
• Notions de Git : clone, commit, push, pull
• Avoir déjà écrit un script Python utile ou une petite application
• Compte GitHub personnel (gratuit)

Méthodes pédagogiques

• Alternance de théorie (35%) et de pratique (65%)
• Démonstrations live : déploiements en direct sur les principales plateformes cloud
• Pédagogie par la comparaison : même projet déployé sur 3 plateformes pour mesurer les différences
• Projet fil rouge : chaque participant déploie son propre projet au fil des 3 jours
• Retours personnalisés : revue individuelle de l'architecture de chaque projet final
• Supports de cours, schémas d'architecture, checklists de déploiement et template Python production-ready remis aux stagiaires (accès pérenne)

Programme détaillé

JOUR 1 — Fondamentaux du cloud et premier déploiement

• Qu'est-ce que le cloud ? Différences IaaS / PaaS / SaaS / serverless
• Cartographie des fournisseurs : AWS, Azure, GCP, OVHcloud, Scaleway
• Plateformes PaaS orientées Python : Render, Railway, Fly.io, Heroku
• Critères de choix : coût, localisation, conformité, courbe d'apprentissage
• Régions, zones de disponibilité, latence, conformité RGPD
• Modèle de facturation : pay-as-you-go, free tier, coûts cachés
• Sécurité de base : IAM, accès, clés SSH, MFA
• Gérer ses dépendances : requirements.txt, pyproject.toml, uv, Poetry
• Fixer les versions : pourquoi et comment, le fichier de lock
• Variables d'environnement et .env : séparation du code et de la configuration
• Gestion des secrets : vault intégré, interdictions (jamais dans le code)
• Préparer son projet Git pour le déploiement (.gitignore, README, runtime)
• Premier déploiement guidé sur Render : script de scraping programmé
• Comprendre les logs et diagnostiquer les premières erreurs

■ Travaux pratiques :
→ TP1 : Créer un projet Python propre avec gestion de dépendances reproductibles
→ TP2 : Déployer un script Python (extraction de données) sur Render en moins d'une heure
→ TP3 : Configurer 3 variables d'environnement et les utiliser dans le script déployé

JOUR 2 — Déployer une API et automatiser l'exécution

• Rappels express sur les API REST et les frameworks Python (FastAPI, Flask)
• Préparer une API pour la production : uvicorn, gunicorn, workers
• Fichier de configuration : Procfile, render.yaml, Dockerfile (approche comparative)
• Déployer une API FastAPI simple avec 3 endpoints sur Render ou Railway
• Comparaison avec un déploiement sur Azure App Service
• Gestion du port, du host et de la configuration réseau
• Exposer son API avec un nom de domaine personnalisé et HTTPS
• Documentation automatique : Swagger, ReDoc
• Tâches planifiées : cron jobs, scheduled jobs, Render Cron, GitHub Actions scheduled
• Workers asynchrones : background workers, Redis Queue
• Cas concret : exécuter un script quotidien à 2h du matin avec logs et alertes
• Automatiser le déploiement : GitHub Actions, push-to-deploy
• Branches et environnements : staging, production
• Rollback rapide : principes et outillage
• Introduction à l'Infrastructure as Code : Terraform (survol, pour culture)

■ Travaux pratiques :
→ TP1 : Déployer une API FastAPI à 3 endpoints accessible publiquement
→ TP2 : Mettre en place une tâche planifiée quotidienne avec notification en cas d'échec
→ TP3 : Configurer un pipeline GitHub Actions qui déploie automatiquement sur push sur main

JOUR 3 — Azure, AWS, monitoring et projet final

• Panorama des services Python sur Azure : App Service, Functions, Container Apps
• Premier déploiement sur Azure App Service : pas à pas
• Azure Functions pour les exécutions événementielles
• Panorama des services Python sur AWS : Elastic Beanstalk, Lambda, ECS
• Premier déploiement sur AWS Elastic Beanstalk : pas à pas
• AWS Lambda pour le serverless : quand et comment
• Comparaison pratique : Render vs Azure vs AWS sur le même projet
• Critères de choix par cas d'usage : MVP, entreprise, volumes
• Logs structurés : bonnes pratiques avec Python logging
• Centraliser les logs : plateforme native, Datadog, Better Stack
• Métriques essentielles : CPU, mémoire, latence, erreurs
• Alertes : configurer des seuils pertinents sans sur-alerter
• Uptime monitoring : UptimeRobot, Better Uptime
• Maîtrise des coûts : budgets, alertes, free tiers, tableaux de suivi
• Sécurité : HTTPS obligatoire, gestion des secrets, principe du moindre privilège
• Protection API : authentification, rate limiting, CORS

■ Travaux pratiques — Projet final :
→ Chaque participant choisit un projet Python personnel à déployer en production
→ Livrables : code déployé, pipeline CI/CD, monitoring actif, documentation
→ Soutenance courte (10 min par participant) : architecture, choix, démonstration
→ Retour personnalisé du formateur

Évaluation

• Test de positionnement en début de formation
• Évaluations formatives : exercices pratiques corrigés, debugging collectif, QCM intermédiaires
• QCM mi-parcours de 20 questions (Jour 2)
• QCM final de 30 questions (Jour 3) — critère de réussite : 60%
• Présentation et soutenance du projet final déployé en production
• Attestation de fin de formation délivrée