AI-Assisted Coding

• La formation se compose de travaux pratiques (mises en situation, débats, exercices).
• Une évaluation quotidienne de l'acquisition des connaissances de la veille est effectuée.
• Une synthèse est proposée en fin de formation.
• Une évaluation à chaud sera proposée au stagiaire à la fin du cours.
• Un support de cours (version électronique) sera remis à chaque participant comprenant les slides sur la théorie, les exercices.
• Une feuille d'émargement par demi-journée de présence est fournie en fin de formation ainsi qu'une attestation de fin de formation si le stagiaire a bien assisté à la totalité de la session.

AI-assisted coding is transforming software development. This training will teach you how to leverage AI tools for code generation, debugging, testing and documentation, making you significantly more productive.

• Understand the principles of AI-assisted coding
• Use language models for code generation and extension
• Debug and optimize existing code with AI tools
• Implement automated testing and refactoring with AI
• Generate documentation automatically

• Développeurs
• Architectes
• Chefs de projet
• Data Scientists

Le formateur est un expert du domaine qui intervient sur le sujet depuis plusieurs années en formation mais aussi en conseil.

• Knowledge of at least one programming language
• Basic understanding of software development workflows (IDE, version control, testing)

Introduction to AI-assisted coding

• Overview of models and tools for programming assistance
• Data privacy, sovereignty, and open-source models

Code generation and extension using language models

• Automatic creation of visualization, preprocessing, and training scripts
• Practical works : generating optimized data visualizations through advanced prompting
• Automatic addition of logs and metrics

Debugging and optimization of existing code

• AI-assisted error detection and correction
• Suggestions for improving performance and code readability

Automated testing and refactoring

• Automatic generation of unit tests for ML code
• Practical works: creating comprehensive unit tests from an existing ML module
• Refactoring notebooks into structured Python scripts

Automatic documentation and explainability

• Automatic generation of docstrings and READMEs
• Summarizing complex code and integrating documentation into research workflows

Nous consulter