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.
3j
- 21h00 
