Track1-LangChain — Track LangChain (Labs 1-7)

← DataScienceWithAgents (parent) | Track2-GoogleADK (Google ADK) →

Le track LangChain du workshop : 7 labs répartis sur 3 jours qui mènent de la prise en main des outils data science (Journée 1) jusqu’à la construction d’un agent d’analyse de données autonome (Journée 3). C’est le compagnon opérationnel des fondations 01-PythonForDataScience et 02-ML-Cours : on y apprend à orchestrer un LLM pour qu’il accomplisse des tâches data science concrètes — analyser un appel d’offres, pré-qualifier des CVs, nettoyer des données sales, interroger un DataFrame en langage naturel.

Pourquoi cette série

Le fil conducteur du workshop est un changement de paradigme : passer de l’écriture du code data science à l’orchestration d’agents LLM qui le produisent. Ce track introduit ce saut de façon progressive et encadrée. Chaque lab pose une question pragmatique — un agent accélère-t-il réellement cette tâche ? comment le garder sous contrôle ? — et y répond avec LangChain en gardant l’humain dans la boucle pour la validation. L’enjeu n’est pas de déléguer aveuglément, mais de comprendre quand un agent est légitime et comment le contraindre (outils, prompt, exécuteur).

Structure (3 jours, 7 labs)

Journée 1 — Fondations data science

Lab Sujet Concept-phare
Lab 1 — Bases Data Science Pandas + Matplotlib + régression linéaire sur ventes synthétiques le socle manipulé par tous les labs suivants

Journée 2 — Agents pour l’analyse documentaire

Lab Sujet Concept-phare
Lab 2 — RFP Analysis d’un appel d’offres à un PoC en 1 heure extraction structurée d’un texte libre par LLM
Lab 3 — CV Screening pré-qualifier des candidats avec l’IA analyse, notation et résumé de CVs vs offre

Journée 3 — Data wrangling & agents

Lab Sujet Concept-phare
Lab 4 — Data Wrangling nettoyer un jeu de données « sale » réaliste Pandas au service de la robustesse
Lab 5 — Viz & ML exploration visuelle puis classification scikit-learn visualisation guidant le modèle
Lab 6 — First Agent construire son premier agent LangChain les 4 composants : LLM, Outils, Prompt, Exécuteur
Lab 7 — Data Analysis Agent agent répondant en langage naturel sur un DataFrame l’agent comme interface d’analyse

Chaque lab est accompagné de son propre README.md (objectifs, données fournies, exercices).

Objectifs d’apprentissage

À l’issue du track, l’apprenant sait :

  1. Charger, nettoyer, visualiser et modéliser des données avec Pandas / Matplotlib / scikit-learn (Labs 1, 4, 5).
  2. Orchestrer un LLM avec LangChain pour extraire une information structurée d’un texte libre (Labs 2, 3).
  3. Assembler les 4 composants d’un agent (LLM, Outils, Prompt, Exécuteur) et l’armer d’outils data science (Labs 6, 7).
  4. Distinguer les tâches où un agent apporte un gain réel de celles qu’il vaut mieux coder à la main.

Prérequis

Suite logique

Une fois le track mono-agent LangChain maîtrisé, la formation monte en puissance vers les systèmes multi-agents : Track2-GoogleADK (Google ADK, boucles planner-coder, DS-STAR / MLE-STAR, compétitions Kaggle).

Retour au sommet