La formation est-elle certifiée Qualiopi ?

Oui, Learni est un organisme certifié Qualiopi. Cette certification garantit la qualité de nos formations et permet leur prise en charge par les OPCO et autres dispositifs de financement.

Comment financer ma formation ?

Nos formations sont éligibles aux financements OPCO. Learni vous accompagne dans les démarches de prise en charge. Un devis personnalisé est disponible sur demande.

Quels sont les prérequis pour cette formation ?

Les prérequis pour la formation Maîtriser Apache Airflow : Orchestration de Workflows Data pour les professionnels sont : Connaissance de base de Python, notions fondamentales sur les bases de données et les workflows ETL.. Un entretien préalable permet de valider votre éligibilité.

La formation est-elle disponible en présentiel ?

Oui, la formation Maîtriser Apache Airflow : Orchestration de Workflows Data pour les professionnels est disponible en distanciel. Le format peut être adapté à vos besoins (inter, intra, sur-mesure).

Maîtriser Apache Airflow : Orchestration de Work... | Learni

L'histoire de Learni

Fondée par des passionnés de l'apprentissage et de l'innovation, Learni s'est donnée pour mission de rendre la formation professionnelle accessible à tous, partout dans le monde. Notre équipe intervient dans les plus grandes métropoles telles que Paris, Lyon, Marseille, mais aussi à l'international, afin d'accompagner les talents et les organisations dans leur montée en compétences.

Configurez votre formation

Réponse sous 24hSans engagement100% gratuit

Il reste 8 places pour la prochaine session

FormatParticipantsDateCoordonnées

Quel format préférez-vous ?

Modalités, méthodes et moyens pédagogiques

La formation Maîtriser Apache Airflow : Orchestration de Workflows Data pour les professionnels est délivrée en présentiel ou distanciel (blended-learning, e-learning, classe virtuelle, présentiel à distance). Chez Learni, organisme de formation certifié Qualiopi, chaque parcours est conçu pour maximiser l'acquisition de compétences, quel que soit le mode de formation choisi.

Le formateur alterne entre méthode démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). Cette approche pédagogique garantit un apprentissage concret et directement applicable en entreprise.

Moyens pédagogiques mis en œuvre

Pour garantir la qualité de la formation Maîtriser Apache Airflow : Orchestration de Workflows Data pour les professionnels, Learni met à disposition les moyens pédagogiques suivants :

Ordinateurs Mac ou PC, connexion internet haut débit fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour les sessions en distanciel)
Environnements de formation installés sur les postes de travail ou accessibles en ligne
Supports de cours, exercices pratiques et ressources complémentaires
Accès post-formation aux supports et ressources pédagogiques

En cas de formation intra-entreprise sur site externe à Learni, le client s'assure et s'engage à disposer de toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques, connexion internet...) au bon déroulement de l'action de formation conformément aux prérequis indiqués dans le programme de formation communiqué.

* nous consulter pour la faisabilité en distanciel** ratio variable selon la formation suivie

Modalités d'évaluation des acquis

L'évaluation des compétences acquises lors de la formation Maîtriser Apache Airflow : Orchestration de Workflows Data pour les professionnels s'effectue à travers :

En cours de formation : études de cas, travaux pratiques et mises en situation professionnelle
En fin de formation : questionnaire d'auto-évaluation et évaluation des acquis par le formateur
Après la formation : attestation de fin de formation détaillant les compétences acquises

Accessibilité de la formation

Learni s'engage pour l'accessibilité de ses formations professionnelles. Toutes nos formations sont accessibles aux personnes en situation de handicap. Nos équipes sont à votre disposition pour adapter les modalités pédagogiques à vos besoins spécifiques. N'hésitez pas à nous contacter pour toute demande d'aménagement.

Objectifs de la formation

Comprendre les concepts fondamentaux de l'orchestration de workflows de données avec Apache Airflow

Installer, configurer et déployer une instance Airflow en production

Créer, planifier et surveiller des DAGs efficaces et maintenables

Interagir avec des bases de données, APIs, et intégrer Airflow dans des écosystèmes Data existants

Implémenter des bonnes pratiques de développement, de sécurité et d’automatisation

Programme de la formation

Module 1Introduction à l’Orchestration de Workflows avec Apache Airflow

Présentation de l'orchestration de workflows, cas d’usage d’Apache Airflow, architecture générale, composants clés (Scheduler, Webserver, Worker), compréhension du concept de DAG et de tâches. Installation pas à pas sur différents environnements (Docker, Virtualenv, Cloud), premiers pas dans l’UI Airflow. Prise en main des bases : configuration, connexion de base de données et exploration de l’interface utilisateur pour le monitoring.

Module 2Création, Planification et Surveillance de DAGs

Écriture et optimisation de DAGs en Python, gestion des dépendances entre tâches, planification, calendrier (scheduling), gestion des erreurs (retry, alerting), paramètres d’exécution. Utilisation avancée de l’UI pour monitorer les workflows, logs détaillés et troubleshooting. Intégration avec des bases de données variées (PostgreSQL, MySQL), gestion de variables et connexions. Introduction à la modularité et au partage de code entre DAGs. Exercices pratiques sur des cas d’automatisation réels (insertion de données, traitements batch, etc.).

Module 3Airflow en Production : Bonnes Pratiques, Sécurité, Intégrations et Déploiement

Structuration des projets Airflow pour la production. Déploiement d’Airflow sur Cloud (GCP, AWS, Azure) et gestion de l’infrastructure appropriée (Kubernetes, Docker Compose). Sécurisation des workflows et de l’accès à l’interface utilisateur. Mises à jour auto et gestion centralisée des logs. Intégration avancée (Slack, APIs externes, S3, BigQuery, Spark, Hadoop). Test et versionning des DAGs. Mise en place de workflows complexes (sous-DAGs, branches, sensors). Optimisation des performances, parallélisation des tâches, gestion de la scalabilité et monitoring de la charge de travail. Étude de cas concret d’industrialisation de pipelines de données.