Ce que vous allez apprendre
Ce cours Python d’intelligence artificielle, vous permettra de réaliser des analyses de données en machine learning. Vous apprendrez à transformer une image et à en extraire des informations. Nous vous présenterons les bibliothèques de traitements d'image les plus usitées dans les projets de deep learning.
Objectifs
- Approfondir ses connaissances en langage Python
- Réaliser une analyse de données en Machine Learning en Python
- Découvrir des bibliothèques Python de traitement d'image
- Transformer une image
- Extraire des informations d'une image
Public concerné
Développeurs Python désirant s'approprier les principaux dispositifs d'apprentissage automatisé et de traitement d'image.
Prérequis
Pratique du langage Python et connaissances de NumPy et SciPy. Vérifiez que vous avez les prérequis nécessaires pour profiter pleinement de cette formation en faisant
ce test.
Programme
Le traitement de l'image
- La bibliothèque Pillow pour transformer les images.
- Présentation de bibliothèques d'analyse d'image.
- Manipulations simple d'image avec NumPy.
- Présentation de Matplotlib pour l'affichage rapide.
Travaux pratiques
Utilisation de Pip ou Conda, transformations simples et manuelles d'images avec Numpy.
Traitement plus avancé des images
- Filtrage, analyse et recherche d'information avec Scikit-image.
- Présentation et transformations avec OpenCV.
- OpenCV : détection de contours et de motifs.
Travaux pratiques
Mise en place des bibliothèques, manipulation et analyse d'images avec Scikit-image et OpenCV.
Apprentissage automatisé
- Mise en place de Scikit-learn.
- Exemple de données utilisables et classification des processus d'apprentissage automatisé.
- Choix et utilisation d'un estimateur.
- Amélioration de l'apprentissage supervisé et transformateurs.
Travaux pratiques
Multiples apprentissages supervisés sur des ensembles de données avec Scikit-learn.
Cas additionnels d'apprentissage automatisé
- Décomposition - analyse en composantes principales et analyse discriminante linéaire.
- Apprentissage non supervisé : multiples approches.
- Divers algorithmes de classification.
Travaux pratiques
Utilisation d'algorithmes d'apprentissage additionnels de Scikit-learn.
Apprentissage pour les images
- Classification d'image avec Scikit-learn, retour sur les algorithmes disponibles.
- Présentation et installation de scikit-image.
- Bibliothèque d'adaptation de l'apprentissage automatisé aux images numériques
- Entrées et sorties de Scikit-image.
- Analyse des images avec Scikit-image : segmentation, détection, mesures.
- Transformations simples d'image avec Scikit-learn : convolutions et autres filtres.
- Comparaison et assemblage d'images avec Scikit-image.
- Amélioration d'image avec Scikit-image.
Travaux pratiques
Classification d'images, détection de visage, reconstitutions et améliorations avec scikit-learn et scikit-image.