Programme FORMATION PYTHON SCIENTIFIQUE ET TRAITEMENT D'IMAGES
Durée : 5 jours - 35 heures
Tarif : Nous contacter pour une formation INTER – INTRA ou en COURS PARTICULIER
La formation est délivrée en présentiel ou distanciel (e-learning, classe virtuelle, présentiel et à distance). Le formateur alterne entre méthodes démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). La validation des acquis peut se faire via des études de cas, des quiz et/ou une certification.
Cette formation est animée par un consultant-formateur dont les compétences techniques, professionnelles et pédagogiques ont été validées par des diplômes et/ou testées et approuvées par l’éditeur et/ou par Audit Conseil Formation.
Les objectifs
pré-requis
Connaissances de base du langage Python
Connaissances de NumPy et SciPy.
Moyens pédagogiques, techniques et d'encadrement
- 1 poste de travail complet par personne
- De nombreux exercices d'application
- Mise en place d'ateliers pratiques
- Remise d'un support de cours
- Remise d'une attestation de stage
Modalités d'évaluation des acquis
- Evaluation des besoins et objectifs en pré et post formation
- Evaluation technique des connaissances en pré et post formation
- Evaluation générale du stage
Accessibilité handicapés
- Au centre d’affaires ELITE partenaire d’ACF à 20 m.
- Guide d’accessibilité à l’accueil.
Le Programme
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 matin : numpy, matplotlib et programmation avec numpy
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.
Jour 1 Après-midi: numpy, matplotlib
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
Matin
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 matin : caractérisation et 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
Jour 5 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