IA Python pour le traitement d’image Transformez (3 jours)

Objectif de la formation :

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

INTER ENTREPRISE

1 910 €
  • – Présentiel dans nos locaux ou les vôtres
  • – Distanciel Online Retrouvez-nous sur : Strasbourg, Lille, Lyon, Reims, Genève, Bruxelles, Luxembourg, Frankfort, Karlsruhe, Berlin, Metz
  • INTRA (Appelez-nous pour obtenir une offre)
Inscription

Jour 1 :

Le traitement de l'image et Traitement plus avancé des images

Contenu :

  • Le traitement de l'image (3.0 heures)
    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 (3.0 heures)
    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

Jour 2 :

Apprentissage automatisé et Cas additionnels d'apprentissage automatisé

Contenu :

  • Apprentissage automatisé (3.0 heures)
    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 (3.0 heures)
    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.

Jour 3 :

Apprentissage pour les images

Contenu :

  • Apprentissage pour les images (6.0 heures)
    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

© 2026 All Rights Reserved.