Examen niveau 4 — Python

Examen — questions inédites

12 questions pour valider le niveau : Django, API Flask/FastAPI, data science pandas, machine learning scikit-learn et scraping poli.
Répondez à tout, puis cliquez sur Corriger : score et explications s'affichent.

4.1 · Rappel

1. Pourquoi dit-on que Django est « batteries incluses » ?

Il contient un tableur intégré Il fonctionne sans base de données Il se branche sur une batterie externe Il fournit d'office admin, ORM, auth et sécurité

Admin, ORM, migrations, auth : tout est fourni et cohérent.

4.3 · Rappel

2. Quelle est la structure au cœur de pandas ?

Le DataFrame, une table de lignes et colonnes Un routeur réseau programmable Un modèle de deep learning Un codec vidéo

Le DataFrame : le tableur programmable.

4.4 · Rappel

3. Que font fit() et predict() dans scikit-learn ?

fit() apprend depuis les exemples, predict() prédit sur du nouveau fit() supprime les données et predict() les restaure fit() déploie et predict() facture fit() imprime et predict() dessine

Apprendre (fit) puis prédire (predict), évaluer sur jamais-vus.

4.1 · Application

4. Nabil modifie son modèle Vente (nouveau champ date). Que lancer ?

Supprimer la base et tout recommencer makemigrations puis migrate pour faire évoluer la table Réécrire le template à la main Relancer l'ordinateur

Les migrations traduisent le modèle en évolution de base.

4.2 · Application

5. Le POST /ventes de Nabil renvoie 200 après création. Correction ?

Supprimer la route Laisser 200, le corps suffit Renvoyer 201 (créé), 400 si l'entrée est invalide Renvoyer 404 à chaque fois

Statuts qui disent vrai : 201 créé, 400 invalide.

4.2 · Application

6. D'où vient la documentation interactive sur /docs de Nabil ?

D'un document Word tenu à jour à la main Des type hints validés par Pydantic, générés en OpenAPI D'un robot qui devine le code Elle n'existe pas, c'est une légende

Les hints donnent validation auto + doc vivante.

4.3 · Application

7. Nabil reçoit un CSV inconnu d'un million de lignes. Premier réflexe ?

Boucler en for sur chaque ligne L'analyser sans l'ouvrir Tracer dix graphiques au hasard Inspecter (head/info/describe/isna) puis agréger en vectorisé

Inspecter d'abord, vectoriser au lieu de boucler.

4.4 · Application

8. Le modèle de Nabil fait 100 % sur le train mais 60 % en production. Diagnostic ?

Il a évalué sur le train (mémoire) : split train/test obligatoire Il faut supprimer le test Il manque des graphiques Le modèle est parfait, la prod se trompe

Sans split, on mesure la mémoire — pas l'apprentissage.

4.5 · Application

9. Nabil veut scraper des prix publics en restant poli. Conduite ?

Copier à la main chaque lundi Bourriner mille requêtes par seconde Lire CGU + robots.txt, espacer les requêtes, préférer l'API officielle Scraper sans user-agent ni logs

Autorisé, espacé, tracé — ou on s'abstient.

4.3 · Arbitrage

10. Nabil hésite entre deep learning GPU et RandomForest pour son tableau clients. Décision ?

Les deux mélangés au hasard Ni l'un ni l'autre, tout à la main Le deep learning, c'est plus impressionnant en réunion Le RandomForest en baseline : 80 % du tabulaire sans GPU

Baseline simple d'abord ; deep pour image/texte via pré-entraînés.

4.5 · Arbitrage

11. Le site cible de Nabil interdit la collecte dans ses CGU mais les données sont visibles. Décision ?

Scraper quand même, puisque c'est visible S'abstenir ou négocier un accès/API, et faire valider par un juriste Scraper la nuit pour ne pas se faire voir Revendre les données collectées

Visible n'est pas autorisé : CGU, données personnelles, juriste.

4.4 · Arbitrage

12. Le modèle impayés de Nabil pénalise un quartier entier. Réflexe ?

Augmenter le seuil pour masquer le problème Le déployer vite, les chiffres sont les chiffres Auditer les biais, garder l'humain décideur, documenter les limites Supprimer le quartier des données en silence

Le modèle apprend les préjugés : audit + humain décideur.

Et après ?

Score ≥ 80 % : passez au Niveau 5 — Python pro (qualité, async, Docker, CI/CD) et menez vos spécialisations en production.
Score 50-79 % : reprenez les sections ratées (Django 4.1, API 4.2, pandas 4.3, ML 4.4, scraping 4.5), relisez les explications ci-dessus, puis refaites le test.
Score < 50 % : recommencez le niveau depuis 4.1 en codant chaque modèle (MVT, API, groupby, baseline, scraper poli), puis retentez l'examen à tête reposée.