DataScienceWithAgents - Data Science Python avec Agents IA
← ML (série parente) | ML.NET (C#) → | Track2-GoogleADK (Google ADK) →
Formation complète en Data Science Python avec intégration d’agents IA. Combine les fondamentaux NumPy/Pandas avec deux tracks complémentaires : LangChain (3 jours) et Google ADK (4 jours).
Au-delà des bibliothèques classiques, cette formation explore un changement de paradigme : passer de l’écriture de code data science à l’orchestration d’agents LLM qui le produisent et l’exécutent. Après les fondations NumPy/Pandas, le track LangChain apprend à construire des agents capables d’interroger un DataFrame, de nettoyer un jeu de données ou de scorer des candidatures ; le track Google ADK monte en puissance avec des systèmes multi-agents (boucles planner-coder, frameworks DS-STAR / MLE-STAR) jusqu’à concourir sur des compétitions Kaggle. L’enjeu pédagogique n’est pas seulement technique : il s’agit de comprendre quand un agent autonome accélère réellement le travail d’analyse, et comment l’encadrer (outils, validation, garde-fous).
Pourquoi cette série
Le Data Science traditionnel suit un workflow manuel : charger, nettoyer, transformer, modéliser, évaluer. Cette série introduit un changement de paradigme : orchestrer des agents LLM qui automatisent ce workflow. L’objectif n’est pas de remplacer le data scientist, mais de comprendre quand un agent accélère réellement le travail et comment l’encadrer.
La formation couvre deux stacks complémentaires :
| Aspect | Track LangChain (Days 1-3) | Track Google ADK (Days 4-7) |
|---|---|---|
| Approche | Agent unique avec tools | Systèmes multi-agents |
| Framework | LangChain + OpenAI | Google ADK + LiteLLM |
| Complexité | Chains, outils simples | Boucles planner-coder, DS-STAR |
| Application | RFP, CV screening, data wrangling | Kaggle, BigQuery, déploiement |
| Providers | OpenAI uniquement | Multi-provider (Gemini, vLLM, OpenAI) |
Vue d’ensemble
| Statistique | Valeur |
|---|---|
| Kernel | Python 3.11+ |
| Durée totale | ~7 jours |
Public cible
- Analystes de données souhaitant intégrer l’IA
- Data scientists intéressés par les agents
- Développeurs Python intermédiaires
Objectifs d’apprentissage
À l’issue de cette série, vous serez capable de :
- Construire un agent LLM avec LangChain (tools, chains, memory) et l’appliquer à des tâches data science concrètes
- Évaluer quand un agent autonome accélère le travail d’analyse vs une approche manuelle
- Orchestrer des systèmes multi-agents avec Google ADK (planner-coder, DS-STAR, MLE-STAR)
- Configurer un pipeline multi-provider (Gemini, OpenAI, vLLM local) via LiteLLM
- Déployer un agent data science en production (BigQuery, BQML, GCP)
Quel parcours choisir
Parcours analyste data science (~3 jours)
Labs 1-7 en séquence. Acquérir les bases Pandas, puis construire des agents LangChain pour automatiser l’analyse de données.
- Lab 1 -> révision Pandas/Matplotlib/Scikit-Learn
- Labs 2-3 -> agents documentaires (RFP, CV)
- Labs 4-7 -> data wrangling + agents d’analyse
Parcours ingénieur ML agentique (~4 jours)
Labs 8-17 en séquence. Monter en complexité avec les frameworks Google ADK et les systèmes multi-agents.
- Labs 8-9 -> architecture ADK, premier agent
- Labs 10-12 -> DS-STAR (data science autonome)
- Labs 13-15 -> MLE-STAR (Kaggle, optimisation)
- Labs 16-17 -> production (BigQuery, projet final)
Parcours complet (~7 jours)
Tous les labs en séquence, des fondations NumPy/Pandas jusqu’au déploiement GCP.
Parcours rapide (~1 jour)
Labs 1 + 6 + 8. Découvrir le pipeline data science, construire un premier agent LangChain, puis un premier agent ADK. Les trois labs les plus représentatifs pour une première prise en main.
Structure
DataScienceWithAgents/
├── 01-PythonForDataScience/ # Fondations Python
│ └── notebooks/
│ ├── 1.2-NumPy.ipynb
│ └── 1.3-Pandas.ipynb
│
├── 02-ML-Cours/ # Fondations ML canoniques
│ ├── 2.1-Workflow-ML.ipynb
│ ├── 2.2-Descente-de-gradient.ipynb
│ ├── 2.3-Regression-lineaire-logistique.ipynb
│ ├── 2.3b-Naive-Bayes-Generatif.ipynb
│ ├── 2.3c-Regression-Grande-Dimension.ipynb
│ ├── 2.3d-Modele-Gaussien-LDA-QDA.ipynb
│ ├── 2.4-Arbres-Forets-Ensembles.ipynb
│ ├── 2.5-Biais-Variance-CV-ROC.ipynb
│ ├── 2.5b-Calibration-Probabilites.ipynb
│ ├── 2.5c-Equite-Sous-Groupes.ipynb
│ ├── 2.6-Clustering-KMeans-PCA.ipynb
│ ├── 2.7-Modeles-Non-Parametriques.ipynb
│ ├── 2.7b-SMO-From-Scratch.ipynb
│ ├── 2.8-Theorie-PAC.ipynb
│ ├── 2.8b-Theorie-PAC-Lean.ipynb
│ ├── 2.8c-Borne-Temoin-Concentration.ipynb
│ ├── 2.8d-Lean-Novikoff-Convergence.ipynb
│ ├── 2.9-Grokking-Generalisation.ipynb
│ ├── 2.10-Optimisation-Hyperparametres.ipynb
│ ├── 2.11-Regularisation-Sparse-LASSO.ipynb
│ ├── 2.12-Donnees-Desequilibrees.ipynb
│ ├── 2.13-Analyse-Erreurs.ipynb
│ └── 2.14-Explicabilite-SHAP-LIME-Contrefactuels.ipynb
│
├── 03-DeepLearning/ # Deep learning from scratch
│ ├── 3.0-Theorie-Information.ipynb
│ ├── 3.1-Retropropagation.ipynb
│ ├── 3.2-Optimisateurs.ipynb
│ ├── 3.3-Regularisation.ipynb
│ ├── 3.4-Attention-Transformer-From-Scratch.ipynb
│ ├── 3.5-Phenomenes-de-Generalisation.ipynb
│ ├── 3.6-Modeles-Generatifs.ipynb
│ ├── 3.6b-Modeles-Generatifs-PyTorch.ipynb
│ ├── 3.7-Distillation-Maitre-Eleve.ipynb
│ └── 3.8-Representations-Contrastives.ipynb
│
│
├── 04-Vision/ # Vision par ordinateur : du neurone convolutif au transfer learning
│ ├── 4.1-Conv-NumPy-Torch-Allclose.ipynb
│ ├── 4.2-ConvNet-Profonde-Residuelles.ipynb
│ ├── 4.2b-Lean-GradientFlow-Vanishing.ipynb
│ └── 4.3-TransferLearning-ResNet.ipynb
│
├── 04b-Wavelet-Scattering/ # Ondelettes et scattering : analyse multi-résolution
│ ├── WS-00a-Ondelettes-1D-from-scratch.ipynb
│ ├── WS-00b-Ondelettes-2D-from-scratch.ipynb
│ └── WS-01-Denoising-SOTA.ipynb
│
├── Track1-LangChain/ # Track LangChain
│ ├── Day1-Foundations/Labs/ # Revision
│ ├── Day2-Document-Agents/Labs/ # Agents RFP et CV
│ └── Day3-Data-Agents/Labs/ # Data + Agents
│
└── Track2-GoogleADK/ # Track Google ADK
├── Day4-Foundations/ # Introduction ADK
├── Day5-DS-Star/ # Data Science autonome
├── Day6-MLE-Star/ # ML Engineering
└── Day7-Production/ # Integration GCPFondations (01-PythonForDataScience)
| Notebook | Contenu | Durée |
|---|---|---|
| 1.2-NumPy | Arrays, opérations, vectorisation | 45 min |
| 1.3-Pandas | DataFrames, filtrage, groupby | 60 min |
Fondations ML (02-ML-Cours)
Le socle machine learning canonique avec scikit-learn, posé à la main entre les fondations NumPy/Pandas et les labs agentic — là où scikit-learn n’apparaissait jusqu’ici que comme une séquence magique non expliquée. Vingt-deux notebooks (workflow, descente de gradient, régression linéaire/logistique complétée par le pont génératif Naive Bayes et la régression en grande dimension PCR/PLS/Ridge, arbres et ensembles, biais-variance/CV/ROC, calibration des probabilités, équité par sous-groupes, clustering/ACP, SVM à noyau/k-NN puis l’accrétion 2.7b qui ouvre le solveur (SMO de Platt) et chiffre son écart à l’optimum par le gap de dualité, théorie PAC/dimension VC et ses trois compagnons formel/concentration/Perceptron, un épilogue 2.9 grokking, puis trois chapitres de praticien — optimisation d’hyperparamètres, régularisation sparse LASSO/ElasticNet, classes déséquilibrées, et analyse d’erreurs), chacun rendant visible un concept-phare et ancrant les articles fondateurs.
| Notebook | Sujet | Concept-phare |
|---|---|---|
| 2.1-Workflow-ML | split → fit → predict → évaluer | surapprentissage rendu visible |
| 2.2-Descente-de-gradient | ouvrir la boîte noire de fit() |
3 learning rates (lent / bon / divergeant) |
| 2.3-Regression-lineaire-logistique | OLS vs MLE | droite vs sigmoïde |
| 2.3b-Naive-Bayes-Generatif | Pont génératif — classifieur naïf de Bayes (Bernoulli, multinomial, Gaussien), hypothèse d’indépendance conditionnelle | L’indépendance qui décide : la frontière est inherited du modèle conjoint, pas apprise |
| 2.3c-Regression-Grande-Dimension | p >> n : Ridge (L2), PCR (ACP) et PLS (supervisée) | Var ≠ valeur prédictive : la PLS trouve en 5 composantes ce que la PCR paie à 44 |
| 2.3d-Modele-Gaussien-LDA-QDA | Analyse discriminante linéaire vs quadratique | L’hypothèse de covariance décide la frontière : partagée → droite (LDA), propre → conique (QDA) |
| 2.4-Arbres-Forets-Ensembles | DecisionTree, RandomForest, GradientBoosting | réduction de variance |
| 2.5-Biais-Variance-CV-ROC | biais-variance, validation croisée, ROC/AUC | coût du seuil de décision |
| 2.5b-Calibration-Probabilites | calibration des probabilités : reliability diagram, ECE | pourquoi 0.87 n’est pas 87 % de chances |
| 2.5c-Equite-Sous-Groupes | équité par sous-groupe : parité démographique, equalized odds, post-traitement par seuils (Hardt) | L’accuracy globale ne suffit pas : 96,4 % global coexiste avec des écarts de groupe [0,92–1,00] |
| 2.6-Clustering-KMeans-PCA | non supervisé : KMeans + ACP | structure retrouvée sans étiquettes |
| 2.7-Modeles-Non-Parametriques | SVM à noyau et k plus proches voisins | kernel trick (linéaire vs RBF) |
| 2.7b-SMO-From-Scratch | Accrétion de 2.7 — SMO (Platt) écrit à la main : sous-problème 2D (dont la branche dégénérée η ≤ 0), cascade de working set, KKT et gap de dualité |
Le solveur écrit à la main retrouve sklearn : même biais à 4·10⁻⁴ près, gap de dualité ≈ 3·10⁻³, pire violation KKT ponctuelle ≈ 10⁻³ |
| 2.8-Theorie-PAC | théorie PAC : sample complexity, dimension VC | la borne PAC prédit l’empirique |
| 2.8b-Theorie-PAC-Lean | Compagnon Lean (kernel lean4-wsl) — la même borne PAC, démontrée |
ce que 2.8 constate, le lake le prouve |
| 2.8c-Borne-Temoin-Concentration | Carte transversale + illustrations Python — Sections 1–3 (reconstruction de la borne, témoin extrémal, Hoeffding bilatérale) sous kernel coursia-ml-training |
qui porte quoi, et la mesure numérique Python exécutée |
| 2.8d-Lean-Novikoff-Convergence | Compagnon Lean (kernel lean4-wsl) — la moitié Perceptron du lake : Novikoff n·γ² ≤ R², ses deux lemmes, son témoin de saturation |
Le théorème interrogé en direct : #check + #print axioms depuis le lake, dynamique rejouée sur entiers |
| 2.9-Grokking-Generalisation | Épilogue — grokking : la généralisation qui arrive en retard (premier réseau de neurones) | L’horloge cachée : embeddings rangés en cercle après le grok (ACP + Fourier) |
| 2.10-Optimisation-Hyperparametres | méthodologie du réglage : grille, hasard, bayésien (TPE) — et quand s’arrêter | le critère d’arrêt économise la moitié des essais |
| 2.11-Regularisation-Sparse-LASSO | Régularisation sparse — LASSO (L1, polyèdre) vs Ridge (L2, boule), coord descent, sélection de λ, ElasticNet sur features corrélées | la géométrie décide : polyèdre L1 → sparsity, boule L2 → shrink ; sur ρ > 0.7, ElasticNet stabilise |
| 2.12-Donnees-Desequilibrees | Classes déséquilibrées — la métrique qui ment (accuracy vs PR), rééchantillonnage, seuillage par coût | La courbe PR dit la vérité : sur ~3 % de positifs, la ROC flatte — seule l’average precision rend l’arbitrage visible |
| 2.13-Analyse-Erreurs | le geste du praticien : diagnostiquer un modèle entraîné (tranches, worst-k) | la poche invisible : 67.6% d’erreur sous un score global correct |
| 2.14-Explicabilite-SHAP-LIME-Contrefactuels | Explicabilité XAI — expliquer une décision individuelle : SHAP (arbre exact + kernel), LIME, contrefactuels DiCE, et leurs limites communes | additivité exacte vs récits instables : Tree SHAP vérifié à 1e-16, LIME instable de seed en seed |
Documentation complète : 02-ML-Cours/README.md
Deep Learning (03-DeepLearning)
Le prolongement direct du socle : là où 2.2 ouvre fit() sur une droite et 2.9 entraîne un réseau PyTorch en boîte noire, cette série écrit la mécanique intermédiaire à la main — chaque mécanisme implémenté en NumPy pur, vérifié (gradient numérique, parité pas-à-pas avec PyTorch), puis relié à l’API torch que consomment les séries RL/PostTraining.
| Notebook | Sujet | Concept-phare |
|---|---|---|
| 3.0-Theorie-Information | Entropie, cross-entropy et KL from scratch sur texte français, MSE vs CE sur classifieur, température softmax, pont DPO/GRPO | La loss qui fait apprendre : pourquoi la CE et pas la MSE ; KL comme mesure de décalage entre distributions |
| 3.1-Retropropagation | Le MLP et la rétropropagation à la main (NumPy pur, sans autograd) | Le gradient vérifié (différence finie 1,3e-11 ; parité exacte avec PyTorch ; init nulle = gradient nul) |
| 3.2-Optimisateurs | Momentum, Adagrad, RMSProp, Adam et schedules, écrits puis validés pas à pas contre torch.optim |
La parité exacte (5 mises à jour identiques à ≤2,2e-16 ; Beale 5 trajectoires ; MLP 3 graines ; schedules : coût en déterministe, gain en bruité) |
| 3.3-Regularisation | Dropout, weight decay et early stopping écrits à la main sur un MLP construit pour surapprendre (17 000 paramètres, 100 points, 12 étiquettes fausses) | Corriger la variance sans changer le modèle : trois remèdes appliqués au même surapprentissage fabriqué |
| 3.4-Attention-Transformer-From-Scratch | De l’attention mono-tête lisible sur l’inversion de séquence au mini-GPT de 1,25 M entraîné dans le notebook | L’attention jusqu’au bout, sur CPU : attention + masque causal + multi-têtes + bloc pré-norme, mini-GPT char-level (117 s, Le Horla) |
| 3.5-Phenomenes-de-Generalisation | Grokking et double descente reproduits en NumPy pur (MLP à embeddings + Adam à la main), confrontés à la borne PAC du 2.8 | Le phénomène sans la boîte noire : mémorisation → transition abrupte, et le W de la double descente (pic au seuil M ≈ n, 20 graines) |
| 3.6-Modeles-Generatifs | VAE, GAN et diffusion (DDPM) écrits en NumPy pur, même cible (huit modes sur un cercle), même budget, face à une baseline GMM | Trois objectifs, trois échecs : VAE couvre mais moyenne, GAN s’effondre, diffusion raffine au prix de 100 passes |
| 3.6b-Modeles-Generatifs-PyTorch | Versant framework du 3.6 : VAE, GAN et DDPM entraînés sur cible 2D à 4 modes (PyTorch CPU) | Le compromis qualité/diversité : 4 mécanismes sur mêmes métriques, verdict nuancé, pas de « gagnant » unique |
| 3.7-Distillation-Maitre-Eleve | Distillation teacher/student : maître entraîné distille son savoir vers un élève ~9× plus petit | Le facteur T² vérifié : la KL brute chute en ~1/T², la KL scalée reste constante ; verdict INCONCLUSIVE au seuil strict |
| 3.8-Representations-Contrastives | Pré-entraînement contrastif moderne : vues continues, encodeur MLP et loss InfoNCE from scratch, pont vers skip-gram | Apprendre des représentations sans étiquettes : deux vues attirent leurs embeddings, les autres repoussent |
Documentation complète : 03-DeepLearning/README.md
Vision par ordinateur (04-Vision)
03-DeepLearning a ouvert la rétropropagation sur des vecteurs tabulaires (MLP, gradient vérifié, parité NumPy ↔︎ torch). Le passage à l’image demande une primitive nouvelle : le neurone convolutif, qui partage ses poids spatialement. Cette série reprend la même discipline (from scratch PUIS framework, parité epsilon machine) et l’applique à la convolution, l’empilement profond, et au skip-connection qui rend les réseaux entraînables.
| Notebook | Sujet | Concept-phare |
|---|---|---|
| 4.1-Conv-NumPy-Torch-Allclose | Conv2d NumPy pur (single + multi-canal), gradient vérifié par différence finie, parité epsilon machine avec torch.nn.Conv2d, pooling et invariance par translation |
La convolution n’est pas magique : un produit scalaire local, partagé spatialement, parité NumPy/torch à epsilon machine |
| 4.2-ConvNet-Profonde-Residuelles | 20 conv2d empilées nues (effondrement du gradient), skip naïf (gradient réparé mais passe avant qui dérive), bloc pré-norme (les deux réparés), même protocole transposé à 20 blocs d’attention, puis accuracy CIFAR-10 sur 3 graines | Le skip-connection n’est pas un détail architectural : c’est le mécanisme qui rend les réseaux profonds entraînables |
| 4.3-TransferLearning-ResNet | ResNet18 pré-entraîné ImageNet, tête greffée (5 130 params entraînables sur 11,18 M), gelé vs fine-tuné sur EuroSAT (Sentinel-2, 10 classes, 3 graines appariées + test de permutation des signes) | Le feature extractor pré-entraîné est réutilisable — et le prix de ne pas l’adapter se mesure : gelé ~89 % ; fine-tuné +6,2 pts appariés, mais seulement à taux différencié décroissant (à taux constants, l’optimiseur finit sous le gelé) |
Documentation complète : 04-Vision/README.md
Ondelettes et scattering (04b-Wavelet-Scattering)
Série d’analyse multi-résolution dans la même discipline from scratch : la transformée en ondelettes 1D écrite à la main (synthèse = adjoint exact de l’analyse), validée coefficient par coefficient contre PyWavelets, puis mise au travail sur le débruitage — seuillage sans oracle contre passe-bas Fourier avec oracle — avant son extension 2D séparable aux bandes orientées et à la compression d’image.
| Notebook | Sujet | Concept-phare |
|---|---|---|
| WS-00a-Ondelettes-1D-from-scratch | DWT orthonormale à la main (Haar, D4, db4), profil d’énergie par échelle, débruitage par seuillage dur/doux (seuil universel, sans oracle) contre passe-bas Fourier (cutoffs garde-tout/étroit/libre, avec oracle), banc Donoho-Johnstone (Doppler, HeaviSine, Stationnaire+burst) | Aucune base n’est universellement parcimonieuse : ondelette +4,5 dB sur le chirp sans oracle, Fourier +4,8 dB sur le stationnaire avec oracle, mixte serré |
| WS-00b-Ondelettes-2D-from-scratch | Transformée 2D séparable = produit tensoriel du moteur 1D de WS-00a, pyramide de Mallat, contrôle d’orientation sur motifs à orientation connue, reconstruction parfaite + allclose bande par bande contre PyWavelets, duel de compression à budget apparié contre une DCT 8×8 |
Le pouvoir de parcimonie est conditionnel au budget : db4 écrase la DCT 8×8 de +16,4 dB à 0,2 % de coefficients retenus, mais l’écart tombe à ~0,2 dB dès 5 % |
| WS-01-Denoising-SOTA | Bloc B : duel débruitage d’images (4 images × 3 sigmas × 3 graines) entre la baseline from scratch (moteur WS-00b, seuil universel de WS-00a) et les estimateurs SOTA — VisuShrink/BayesShrink (skimage), SureShrink écrit à la main (SURE validé contre force brute) sur coefficients pywt |
À transformée identique, l’écart vient du seuil, pas du moteur : BayesShrink adaptatif par sous-bande gagne +2,2 à +3,0 dB sur le seuil universel global à chaque régime de bruit |
Documentation complète : 04b-Wavelet-Scattering/README.md
Workshop 3 Jours (Track1-LangChain)
Day 1 - Révision Python
| Lab | Notebook | Contenu |
|---|---|---|
| 1 | Lab1-PythonForDataScience | Pandas, Matplotlib, Scikit-Learn |
Day 2 - Agents Documentaires
| Lab | Notebook | Contenu |
|---|---|---|
| 2 | Lab2-RFP-Analysis | Parser des appels d’offres avec LLM |
| 3 | Lab3-CV-Screening | Scoring CV avec agents IA |
Day 3 - Data + Agents
| Lab | Notebook | Contenu |
|---|---|---|
| 4 | Lab4-DataWrangling | Nettoyage et transformation |
| 5 | Lab5-Viz-ML | Visualisation et intro ML |
| 6 | Lab6-First-Agent | Construction d’un agent simple |
| 7 | Lab7-Data-Analysis-Agent | Agent pour DataFrames |
Track Track2-GoogleADK (Days 4-7)
Track avancé intégrant les frameworks Google ADK (DS-STAR, MLE-STAR) avec support multi-provider.
Day 4 - ADK Foundations (Labs 8-9)
| Lab | Notebook | Objectif |
|---|---|---|
| 8 | ADK-Introduction | Architecture ADK, configuration providers |
| 9 | First-ADK-Agent | Premier agent pour Data Science |
Day 5 - DS-STAR (Labs 10-12 + extensions 12b-12d, 18)
| Lab | Notebook | Objectif |
|---|---|---|
| 10 | File-Analyzer | Analyse de fichiers hétérogènes |
| 11 | Planner-Coder-Loop | Boucle itérative multi-agents |
| 12 | DS-Star-Workshop | Application complète |
| 12b | Sequential-Orchestration | Contrat C4 : désignation séquentielle, l’orchestrateur explicite au-dessus d’ADK |
| 12c | Agent-Handoff | Contrat C5 : handoff inter-agents natif câblé et observable |
| 12d | Token-Usage | Contrat C6 : traçabilité de la consommation LLM |
| 12e | Session-Persistence | Persistance d’état de session : une conversation qui se souvient |
Day 6 - MLE-STAR (Labs 13-15)
| Lab | Notebook | Objectif |
|---|---|---|
| 13 | Web-Search-SOTA | Recherche de modèles SOTA |
| 14 | Ablation-Refinement | Optimisation ciblée |
| 15 | Kaggle-Challenge | Compétition Kaggle |
Day 7 - Production (Labs 16-17)
| Lab | Notebook | Objectif |
|---|---|---|
| 16 | Data-Science-Agent | Agent BigQuery/BQML |
| 17 | Final-Project | Projet intégré |
Technologies Track2-GoogleADK
| Catégorie | Technologies |
|---|---|
| Abstraction | LiteLLM (multi-provider) |
| Google ADK | google-adk, google-generativeai |
| Providers | Gemini 3.1, vLLM, OpenAI, OpenRouter |
| Cloud (Day 7) | BigQuery, Vertex AI, BQML |
Documentation complète : Track2-GoogleADK/README.md
Technologies
| Catégorie | Technologies |
|---|---|
| Data Science | NumPy, Pandas, Matplotlib, Seaborn, Pillow, PyTorch (parité 04-Vision) |
| Machine Learning | Scikit-Learn |
| Agents IA | LangChain, OpenAI GPT |
| Orchestration | python-dotenv |
Installation
# Environnement Python
python -m venv venv
venv\Scripts\activate # Windows
source venv/bin/activate # Linux/Mac
# Labs 1 et 4-5 (Data Science de base)
pip install pandas numpy matplotlib seaborn scikit-learn ipywidgets
# Labs 2-3 et 6-7 (Agents LangChain)
pip install langchain langchain-openai langchain-experimental python-dotenvConfiguration API (Labs 2-3, 6-7)
# Créer un fichier .env à la racine du projet
OPENAI_API_KEY=sk-...Concepts clés
| Concept | Description |
|---|---|
| Agent | LLM + Outils + Prompt + Exécuteur |
| Tool | Fonction appelable par l’agent |
| Chain | Séquence d’opérations LLM |
| Memory | Contexte conversationnel |
FAQ / Troubleshooting
langchain ou langchain-openai échoue à l’import
Vérifier que le bon environnement est activé :
# vérifier l'environnement
which python # Linux/Mac
where python # Windows
# doit pointer vers votre venv, pas le système
# ré-installer si nécessaire
pip install langchain langchain-openai langchain-experimentalSi l’erreur persiste, vérifier la version Python (3.10+ requis) : python --version.
Erreur “OPENAI_API_KEY not found” dans les Labs 2-3 et 6-7
Ces labs nécessitent une clé API OpenAI. Créer un fichier .env à la racine du projet :
# À la racine du repo ou à côté des notebooks
echo 'OPENAI_API_KEY=sk-...' > .envLe package python-dotenv charge automatiquement ce fichier. Ne JAMAIS committer le fichier .env (il est dans .gitignore).
Les agents ADK ne se connectent pas au provider (Labs 8+)
Vérifier la configuration dans le fichier .env d’Track2-GoogleADK :
# Provider recommandé (clé gratuite)
ACTIVE_PROVIDER=gemini
GEMINI_API_KEY=AIza...
# Ou provider local (pas de clé requise)
ACTIVE_PROVIDER=vllm
VLLM_BASE_URL=http://localhost:8000/v1Si vous utilisez Gemini, obtenir une clé gratuite sur aistudio.google.com.
ModuleNotFoundError pour un package dans un lab
Chaque lab a des dépendances spécifiques. Installer les packages au fur et à mesure :
# Labs 1, 4-5 (data science classique)
pip install pandas numpy matplotlib seaborn scikit-learn ipywidgets
# Labs 2-3, 6-7 (agents LangChain)
pip install langchain langchain-openai langchain-experimental python-dotenv
# Labs 8-17 (ADK)
pip install -r Track2-GoogleADK/requirements.txtLe kernel Jupyter n’affiche pas les outputs des agents
Certains agents produisent des outputs longs. Vérifier :
- La cellule n’est pas en timeout (augmenter le timeout du kernel)
- Le provider répond (tester avec un appel simple :
client.chat.completions.create(...)) - Les prints intermédiaires sont flushés :
print(..., flush=True)
Ressources
Conclusion / Prochaines étapes
Ce que vous avez appris
Cette série vous a fait traverser un changement de posture en data science : passer de l’écriture du code d’analyse à l’orchestration d’agents LLM qui le produisent et l’exécutent. L’arc pédagogique :
Les fondations, volontairement manuelles — NumPy (vectorisation) et Pandas (DataFrame, groupby, nettoyage) d’abord pratiqués à la main. Cette base n’est pas un préalable accessoire : c’est le référent qui rend jugeable le travail de l’agent. On ne peut évaluer ce qu’un agent produit sur un DataFrame que si l’on sait soi-même le manipuler — d’où la règle des 80/20 (CrowdFlower, 2016) qui ouvre le Lab 4 : la préparation reste le cœur du métier, l’agent l’accélère sans l’effacer.
Le track LangChain — l’agent unique outillé (Days 1-3) — on assemble les quatre composants d’un agent (LLM + outils + prompt + orchestrateur), puis on l’applique à des tâches documentaires (parsing d’appel d’offre, scoring de CV) et d’analyse (wrangling, classification, agent DataFrame). Deux paradigmes canoniques structurent cette track : LCEL (composition par tube
prompt | llm) pour les chaînes, et ReAct (boucle Pensée→Action→Observation) couplée au tool-calling pour le premier agent ; lecreate_pandas_dataframe_agentconcrétise CodeAct (l’agent écrit et exécute lui-même son Python). L’enjeu n’est pas la magie du LLM mais la qualité du prompt et du schéma de sortie (JSON structuré).Le track Google ADK — les systèmes multi-agents (Days 4-7) — on monte en abstraction : du single-agent on passe à des systèmes (boucles planner-coder-verifier), puis aux architectures SOTA (DS-STAR pour la data science, MLE-STAR pour l’ingénierie ML), jusqu’à concourir sur Kaggle (MLE-bench) et déployer en production (BigQuery, Vertex AI, BQML). La question bascule : ce n’est plus « comment coder cette analyse ? » mais « comment concevoir un système d’agents qui l’exécute, la valide et la raffine ? ».
La finesse — la série ne vend pas l’agent autonome comme une solution universelle. Chaque lab pose la question du cadre : quels outils exposer, comment valider la sortie, quand l’agent accélère réellement vs quand il hallucine ou dérive. Le survey sur l’hallucination (Lab 17) et la méthodologie d’ablation (Lab 14) ancrent cette lucidité.
La thèse est honnête : les agents LLM ne remplacent pas le data scientist, ils reconfigurent son métier — de l’exécution vers l’orchestration, la spécification et la validation. Le savoir-faire Pandas/scikit-learn reste le socle ; ce qui change, c’est la granularité à laquelle on pilote l’analyse.
Prochaines étapes
- Approfondir le ML sous-jacent : la série ML (et son pendant C# ML.Net) reprend les algorithmes (LightGBM, SSA, évaluation PFI/ROC) sous l’angle de l’implémentation — utile pour comprendre ce que l’agent exécute quand il génère du code scikit-learn.
- Démarrer par les fondations visuelles : la sous-série
04-Visionprolonge 03-DeepLearning sur les images (Conv2d from scratch + ConvNet profonde + résiduelles, parité NumPy/torch à epsilon machine, puis transfer learning ResNet gelé vs fine-tuné). Prérequis utile avant d’orchestrer un agent sur des données image. - Aller vers l’évaluation et la robustesse : les Labs 13-15 (Web-Search-SOTA, Ablation-Refinement, Kaggle-Challenge) introduisent l’évaluation rigoureuse des agents ML (MLE-bench, métriques cross-compétition) ; le prolongement naturel est la robustesse multi-seed et la walk-forward validation, traitées dans le pipeline QuantConnect.
- Franchir le cap production : le Day 7 (BigQuery, BQML, Vertex AI) ouvre sur le déploiement réel. Le pont vers GenAI relie ces agents data aux pipelines de génération (image, audio, texte) et aux architectures Qwen/Lumina auto-hébergées.
- Pour la pratique : reprenez le Lab 7 (agent DataFrame) et posez-lui une question qu’il ne peut pas répondre avec les seules colonnes présentes — comment réagit-il ? Confrontez cette limite au Lab 11 (boucle planner-coder) : qu’apporte vraiment le multi-agent ? C’est la tension vivante de la série : la puissance de l’agent vs la nécessité de l’encadrer.
Le fil rouge
Le data science agentique propose un changement de regard : ne plus demander « comment coder cette analyse ? » mais « comment la spécifier assez clairement pour qu’un agent LLM la code, l’exécute et la valide à ma place ? ». La série vous a donné les fondations (NumPy/Pandas), l’agent unique outillé (LangChain, ReAct, tool-calling, CodeAct) et les systèmes multi-agents (ADK, DS-STAR/MLE-STAR, production GCP) — en gardant à l’esprit que la valeur d’un agent se mesure moins à ce qu’il produit qu’à la qualité du cadre (outils, prompts, validation) dans lequel il opère.
Licence
Voir la licence du repository principal.
Comment passer de LangChain a Google ADK ?
Les concepts se correspondent :
LLMChainToolAgentExecutorConversationBufferMemorySequentialChainLe passage se fait naturellement au Lab 8 qui reprend les mêmes concepts avec l’API ADK.