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