ACCUEIL
FORMATIONS
NOUS REJOINDRE
CONTACT
RENDEZ-VOUS
Titre :
FORMATION PYTHON SCIENTIFIQUE ET TRAITEMENT D'IMAGES
Dernière Modification :
18/01/2024 14:04
Ce cours Python d’intelligence artificielle, vous permettra de réaliser des analyses de données. Vous apprendrez à transformer une image et à en extraire des informations.
- Posséder une vue d’ensemble de l’écosystème scientifique de Python. - Connaître les librairies scientifiques incontournables pour la science des données. - Être capable de manipuler des données volumineuses avec Python. - Comprendre l’intérêt de la datavisualisation. - Connaitre les bases et algorithmes de traitement d’image avec le module Scikit-Image.
• Connaissances de base du langage Python • Connaissances de NumPy et SciPy.
Développeurs et experts techniques
Prérequis - 3h Faut-il le faire ? • Installation de l’environnement python anaconda. • Environnement virtuel. • Installation de modules avec l’interface anaconda. • Installation par pip. • Démarrage de l’IDE spyder. • Démarrage de jupyter pour l’exemple. Quel est l’environnement de développement utilisé dans l’entreprise ? Jour 1 : numpy et matplotlib Matinée : Programmation avec numpy import numpy as np • Comment créer un tableau simple – 0, 1, 2, 3 dimensions – np.array(2) – np.array([1, 2, 4, 7, -3]) • Comment générer des tableaux constants: – np.ones – np.zeros – np.ones_like • La manipulation des tableaux, l’accès aux données – Les indices. – Les propriétés des tableaux (dimensions, type) – Rappels sur les types (au besoin) np.float, np.uint8. . . – le slicing A[begin:end] A[begin:end:step] – Alias ou copie – itérations (boucles for) – join, split – recherche == ou np.where – utilisation de masques binaires – Opérations vectorisée avec numpy (addition, soustraction, multiplication, etc.) – Evaluation du temps de calcul, comparaison avec une boucle %timeit • Où trouver la documentation en ligne – Chercher comment générer une matrice aléatoire – Loi uniforme – Loi gaussienne • Introduction à matplotlib – Génération de graphes (courbes) – Représentation sous forme d’images (tableau aléatoire) – Les labels, commentaires, etc. – Les couleurs – Export du graphe sous forme de fichier (pdf, png) • Affichage/Calcul d’un histogramme – Calcul sur des matrices aléatoires – Avec matplotlib plt.histogram – Avec numpy np.histogram • Approximation de Pi par une méthode de Monte-Carlo – Comparaison de l’approche classique par boucle et de l’approche vectorisée – Distribution uniforme de points dans un espace défini – On calcule la distance à l’origine – On compte le nombre de points dont la distance est inférieure à un seuil, ce qui permet d’évaluer Pi. Après-midi • Utilisation de meshgrid pour générer des fonctions 2 dimensions – exercice : tracer un cercle et l’afficher – générer une fonction bizarre et la représenter avec matplotlib surf • Nombres complexes – algèbre complexe – exercice avec des complexes : marche aléatoire, représentation. Jour 2 : scipy et pandas Matin : scipy • Intégration • Interpolation • Ajustement de courbe (fitting) • un peu de transformée de Fourier sur des sinus/cosinus Après-midi : pandas • Type de fichiers gérés • Chargement de données (fournies) • Manipulation des données, affichage. • Exercice de calcul d’une moyenne mobile et du MACD sur des données boursières • Création d’un fichir xls avec des feuilles multiples Jour 3 : scikit-learn • Rappel des bases pour l’apprentissage et la classification: fit, predict. Apprentissage non supervisé : kmeans - Génération de plusieurs nuages de points - Partitionnement par kmeans - Evaluation des résultats (matrice de confusion) - workflow : fit/predict Apprentissage supervisé : régression linéaire • utilisation des données sklearn Utilisation de la normalisation Jour 4 : introduction au traitement des images Utilisation de Scikit-image Matinée • Documentation • Chargement des images • type des données, format des données • affichage • conventions (0-255, 0-1, noir-blanc) • premiers filtres linéaires (flou, contours) • filtres gaussiens • histogramme • rehaussement d’images (equalizehist) • filtres non linéaires () Après midi : segmentation et caractérisation - début de segmentation - seuil manuel - seuil automatique suivant le niveau en algorithmique, faire coder l’algo (pour les débutants) ou passer directement à la fonction scikit-image otsu - étiquetage (label) - kmeans avec des images couleur - distribution des tailles d’objets Jour 5 : caractérisation Matin : Mesures • périmètre et aire – tracé d’un carré binaire – rotation de l’image – évaluation du périmètre en fonction de l’angle de rotation – plusieurs méthodes de périmètre (opencv, skimage), à comparer • Analyse de la segmentation – utilisation de regionprops, regionprops_table – export avec pandas dans fichier xls Après-midi : un peu de morpho-maths • Amélioration (par ouverture/fermeture, dilatation/erosion) d’une image binaire segmentée (cellules) • utilisation de OpenCV • Watershed et segmentation – séparation des objets convexes et connectés Fin : prévoir débriefing discussion 1h
Délai d'accès : 10 jours
Méthodes mobilisées : En distanciel [...]
Modalités d'évaluation : Exercices, Quiz et Applications.
Accessibilité : Nos formations en distanciel [...]
Horaires de formation : de 9h à 12h et de 14h à 18h.
Adresse d'accueil en présentiel : Village 5 - 50 place de l'Ellipse. 92000 La Défense.
Téléphone : 01 88 32 08 52
Horaire : Lundi - Vendredi 9.00 - 20.00
❖ SÉVERINE RIVOLLIER (Formateur)
Après deux master en mathématiques et un doctorat dans la spécialité image, vision et signal, j’ai créé mon auto-entreprise pour répondre aux besoins de formation professionnelle. Mon parcours académique Master actuariat et ingénierie mathématique en assurance et finance (Université de Rouen) Master mathématiques appliquées (Université Jean Monnet, Saint-Etienne) Doctorat spécialité image, vision, signal (Ecole des Mines, Saint-Etienne) https://srivol.github.io/