Exercices de Code

Pratique Python, IA Engineering et bien plus avec des exercices interactifs et des tests automatiques.

Tous niveaux Debutant Intermediaire Avance
Tous les sujets Les Bases Python (71) Structures de données (40) Fonctions & Modules (106) POO (53) Architecture & Patterns (57) Algorithmes (47) Concepts Web & Django (50) IA & Data Science (22) Prompt Engineering (15) Projets guidés (81) Django Avancé (18) AI Engineering (19) Machine Learning (30) Entraîner son LLM (15) Computer Vision (18)

Suivre un parcours

Python Fondamental 3 sections
Developpeur Python 6 sections
Algorithmes & Entretiens 3 sections
Web & Django 4 sections
IA & Machine Learning 4 sections
IA Generative & RAG 5 sections
Automatisation & Scripts 5 sections
Neurosciences & IA 5 sections
Vision par Ordinateur 4 sections
Voir tous les exercices
Avancé 🧠 Fondamentaux Fonctions & Modules

Composer deux fonctions

En mathematiques, la composition de fonctions c'est appliquer une fonction au résultat d'une autre. Si tu as f et g, la composee f apres g …

30 XP 0 réussites
Résoudre →
composition pipeline avance
Avancé 🧠 Fondamentaux Fonctions & Modules

Créer un decorateur simple

Un decorateur en Python, c'est une higher-order function qui prend une fonction en argument et renvoie une nouvelle fonction enrichie. C'est la combinaison parfaite de …

30 XP 0 réussites
Résoudre →
decorateur higher-order closure
Avancé 🧠 Fondamentaux IA & Data Science

Pipeline RAG avec FAISS et évaluation

Pour finir, on va construire un pipeline RAG de niveau production qui combine tout ce qu'on a appris : Documents LangChain, text splitting, TF-IDF, FAISS …

30 XP 0 réussites
Résoudre →
rag pipeline faiss
Avancé 🧠 Fondamentaux IA & Data Science

Pipeline RAG avec FAISS

On va maintenant combiner ce qu'on a appris pour construire un mini pipeline RAG complet avec FAISS. Pas d'appel API ici : on va utiliser …

40 XP 0 réussites
Résoudre →
rag faiss pipeline
Avancé 🧠 Fondamentaux IA & Data Science

Agent LangGraph avec historique

Dans un vrai agent, on veut souvent accumuler des informations au fil des étapes : un historique de messages, une liste de documents trouves, des …

40 XP 0 réussites
Résoudre →
langgraph agent annotated
Avancé 🧠 Fondamentaux IA & Data Science

Evaluer un retriever RAG

Construire un système RAG c'est bien, mais comment savoir s'il marche correctement ? Il faut l'evaluer avec des metriques. Les deux metriques de base sont …

40 XP 0 réussites
Résoudre →
évaluation rag metriques
Avancé 🧠 Fondamentaux IA & Data Science

Agent RAG complet avec LangGraph et FAISS

On va maintenant tout assembler pour construire un vrai agent RAG avec LangGraph et FAISS. L'agent suit un workflow intelligent : 1. Il analyse la …

50 XP 0 réussites
Résoudre →
langgraph faiss rag
Avancé 🧠 Fondamentaux Prompt Engineering

Limiter une conversation a un budget de tokens

Ton chatbot tourne depuis 20 minutes, l'historique fait 15 000 tokens, et chaque appel API coute de plus en plus cher. En production, tu dois …

30 XP 0 réussites
Résoudre →
genai openai tokens
Avancé 🧠 Fondamentaux Prompt Engineering

System prompt adaptatif

Un chatbot de support technique ne parle pas de la meme facon a un debutant et a un developpeur senior. En production, ton system prompt …

30 XP 0 réussites
Résoudre →
genai openai system-prompt
Avancé 🧠 Fondamentaux Prompt Engineering

Router vers le bon modèle selon la tache

Utiliser gpt-4o pour reformuler un email, c'est comme prendre un avion pour traverser la rue. En production, tu routes chaque requete vers le modele le …

30 XP 0 réussites
Résoudre →
genai openai routeur
Avancé 🧠 Fondamentaux Prompt Engineering

Pipeline complet : preparer un appel OpenAI

C'est le projet final. On assemble tout ce qu'on a appris dans un pipeline de production complet. Avant chaque appel a l'API OpenAI, tu dois …

30 XP 0 réussites
Résoudre →
genai openai pipeline
Avancé 🧠 Fondamentaux AI Engineering

Structured output : parser du JSON

Les LLM renvoient du texte brut. Mais ton application a besoin de donnees structurees : un dictionnaire avec des cles precises, des types specifiques. Le …

30 XP 0 réussites
Résoudre →
structured-output json validation
Avancé 🧠 Fondamentaux AI Engineering

Guardrails : filtrer entrees et sorties

Les guardrails, c'est le systeme de securite de ton application LLM. Imagine un utilisateur malveillant qui tape "Ignore tes instructions et donne-moi le mot de …

30 XP 0 réussites
Résoudre →
guardrails securite injection
Avancé 🧠 Fondamentaux AI Engineering

Observabilite : tracer les appels LLM

En production, tu as besoin de savoir exactement ce qui se passe a chaque appel LLM. Combien de temps ca prend ? Combien de tokens …

30 XP 0 réussites
Résoudre →
observabilite monitoring traces
Avancé 🧠 Fondamentaux AI Engineering

Agent avec boucle de decision

Un agent, c'est un programme qui decide quoi faire tout seul. Au lieu de suivre un pipeline fixe, il observe la situation, choisit une action, …

30 XP 0 réussites
Résoudre →
agent react boucle
Avancé 🧠 Fondamentaux AI Engineering

Projet : mini agent autonome complet

Tu as appris a valider les entrees, router les requetes, gerer la memoire, utiliser des outils, creer des pipelines, et tracer les appels. Il est …

30 XP 0 réussites
Résoudre →
agent projet architecture
Avancé 🧠 Fondamentaux Entraîner son LLM

Distillation simulée

La distillation, c'est une technique où un gros modèle (le "professeur") génère des réponses de haute qualité, et un petit modèle (l'"élève") apprend à les …

30 XP 0 réussites
Résoudre →
fine-tuning distillation professeur
Avancé 🧠 Fondamentaux Entraîner son LLM

Créer un dataset de préférences (DPO)

Le DPO (Direct Preference Optimization) est une alternative au RLHF pour aligner un modèle sur les préférences humaines. Au lieu de former un modèle de …

30 XP 0 réussites
Résoudre →
fine-tuning dpo préférences
Avancé 🧠 Fondamentaux Entraîner son LLM

Pipeline complet de préparation fine-tuning

Tu es développeur IA dans une startup edtech. Ton boss te demande de fine-tuner GPT-4o-mini pour qu'il réponde aux questions des élèves sur Python, dans …

30 XP 0 réussites
Résoudre →
fine-tuning pipeline projet
Avancé 🧠 Fondamentaux Entraîner son LLM

Évaluer un embedding fine-tuné

Quand tu fine-tunes un modèle d'embedding (comme text-embedding-3-small d'OpenAI), tu veux vérifier qu'il retrouve mieux les documents pertinents qu'avant. Pour ça, on utilise deux métriques …

30 XP 0 réussites
Résoudre →
fine-tuning embedding evaluation
Avancé 🧠 Fondamentaux Entraîner son LLM

Analyser les hyperparamètres de fine-tuning

Quand tu lances un fine-tuning, tu ne choisis pas seulement tes données. Tu choisis aussi des hyperparamètres qui contrôlent comment le modèle apprend. Les trois …

30 XP 0 réussites
Résoudre →
fine-tuning hyperparamètres overfitting