Formation à Python scientifique - ENS Paris

:download:`ens-python-prepa.pdf` .. image:: themes/minBox.png .. image:: themes/plusBox.png .. image:: themes/noneBox.png .. image:: themes/minBoxHighlight.png .. image:: themes/plusBoxHighlight.png .. raw:: html

Télécharger le cours

• Fichiers html, exemples, exercices, pour pouvoir lire le cours sans accès internet.
• Le code source (github)

Contenu

Supports de cours de la formation à Python scientifique de l’ENS Paris pour les professeurs de classes préparatoires scientifiques.

• Les auteurs

• 1. Introduction à Python et son environnement
  • 1.1. Écosystème et environnement de travail
    • 1.1.1. Installation de l’environnement Python scientifique
      • 1.1.1.1. Préparer la formation: téléchargement d’Anaconda
      • 1.1.1.2. Installation des logiciels
        • 1.1.1.2.1. Sous Windows
        • 1.1.1.2.2. Sous Mac
        • 1.1.1.2.3. Sous Linux
    • 1.1.2. L’écosystème Python scientifique
    • 1.1.3. Un environnement de travail: Spyder
      • 1.1.3.1. Configurer l’environnement
      • 1.1.3.2. Premiers pas
  • 1.2. Le langage Python
    • 1.2.1. Différents type d’objets
      • 1.2.1.1. Objets simples
      • 1.2.1.2. Collections d’objets
    • 1.2.2. Logique du programme: opérations conditionnelles et boucles
    • 1.2.3. Définir des fonctions
    • 1.2.4. Importer des fonctionnalités additionnelles
    • 1.2.5. Travailler avec beaucoup de nombres
    • 1.2.6. Comprendre les erreurs
• 2. Structures de données en Python. Un exemple de la théorie de l’information
  • 2.1. Modules et fichiers
    • 2.1.1. Modules
    • 2.1.2. Fichiers
  • 2.2. Structures de données en Python
    • 2.2.1. Utilisation avancée des listes
    • 2.2.2. Un exemple de structures de donnée complexe : Le tas
  • 2.3. Codage de Huffman
    • 2.3.1. Principe
    • 2.3.2. Implantation du codage de Huffman en Python
• 3. Systèmes statistiques : Nombres aléatoires - Monte Carlo
  • 3.1. Le module random de Python
  • 3.2. Distribution de Maxwell
  • 3.3. Monte Carlo - échantillonnage direct
  • 3.4. Chaînes de Markov, Algorithme de Metropolis
  • 3.5. Algorithme de Metropolis pour sphères dures
  • 3.6. Conclusion
• 4. Équations aux dérivées partielles : utilisation de NumPy
  • 4.1. Introduction rapide à NumPy
  • 4.2. Équation de la chaleur 1D
    • 4.2.1. Discrétisation en différences finies
    • 4.2.2. Convergence
    • 4.2.3. Formulation matricielle
  • 4.3. Équation de la chaleur 2D
• 5. Systèmes dynamiques : utilisation de SciPy
  • 5.1. Pendule simple
  • 5.2. Pendule forcé
  • 5.3. Input/output : comment sauver des tableaux, et charger des fichiers
  • 5.4. Ecriture de documentation
• 6. Et pour aller plus loin
• 7. Ateliers pratiques
  • 7.1. Traitement d’images pour l’analyse de données d’expériences (TIPE)
    • 7.1.1. Présentation des outils
      • 7.1.1.1. Un exemple pour commencer
      • 7.1.1.2. Les applications du traitement d’image
      • 7.1.1.3. Le scikit-image
    • 7.1.2. Mini-tutoriel de traitement d’images
      • 7.1.2.1. Input / output: des fichiers aux tableaux numpy
      • 7.1.2.2. Quelques opérations de base avec numpy
      • 7.1.2.3. Filtrage d’image
      • 7.1.2.4. Extraction d’objets d’intérêt
      • 7.1.2.5. Mesure des propriétés des objets
      • 7.1.2.6. Et autres
    • 7.1.3. Géométrie d’un matériaux granulaire 2-D
      • 7.1.3.1. Ouverture de l’image comme un tableau NumPy
      • 7.1.3.2. Binarisation de l’image
      • 7.1.3.3. Séparation des différents grains
        • 7.1.3.3.1. Marqueurs
        • 7.1.3.3.2. Carte d’élévation
        • 7.1.3.3.3. Segmentation
      • 7.1.3.4. Propriétés des grains
      • 7.1.3.5. Nombre de voisins des grains
    • 7.1.4. Application : caractérisation du mélange chaotique d’un colorant
      • 7.1.4.1. Extraire la région correspondant au fluide
      • 7.1.4.2. Calculer la proportion du fluide recouverte par du colorant
      • 7.1.4.3. Tracer l’évolution du mélange
  • 7.2. Data mining: fouille de données et intelligence artificielle
    • 7.2.1. Un peu de botanique: nommer des iris
      • 7.2.1.1. Explorer les données
        • 7.2.1.1.1. Les observations des iris
        • 7.2.1.1.2. Les “classes” d’iris
        • 7.2.1.1.3. Un peu de visualisation
      • 7.2.1.2. Prédiction au plus proche voisin
        • 7.2.1.2.1. L’object classifier
        • 7.2.1.2.2. Données de test
    • 7.2.2. Classification de documents textes
      • 7.2.2.1. Example de classification de documents texte
  • 7.3. Hydrodynamique 2D, Allée de Von Karman
    • 7.3.1. Advection
    • 7.3.2. Advection-Diffusion
    • 7.3.3. Projection
    • 7.3.4. Lignes d’émissions et lignes de courant
  • 7.4. Cryptographie