Ce cours aide les apprenants à transformer du code de prétraitement d’IA dispersé en utilitaires Python épurés, réutilisables et testables, répondant aux attentes actuelles en matière de MLOps. Au fil de deux leçons ciblées, les apprenants explorent des constructions de programmation avancées — telles que les générateurs, les décorateurs et la journalisation structurée — qui rendent les workflows d’apprentissage automatique modulaires et faciles à maintenir. Ils appliquent ensuite les principes du génie logiciel pour concevoir des paquets Python conformes aux normes, qui s’intègrent en toute transparence dans de véritables pipelines d’IA. À travers des vidéos, des lectures, des exercices pratiques et un Coursera Lab guidé, les apprenants s’entraînent à refactoriser les étapes de prétraitement, à structurer des paquets selon les normes actuelles de packaging Python, à gérer les dépendances et à écrire des tests unitaires avec pytest. À la fin du cours, les apprenants disposeront des compétences nécessaires pour créer et tester un module Python fonctionnel, adapté à une publication interne sur PyPI et à des travaux d’apprentissage automatique prêts pour la production.