topleft
topright
PDF Print E-mail
Article Index
Conférence "Python Scientifique" du 14 juin 2017
Programme
Résumés
 

Résumé des exposés 

Nicolas Rougier : Visualisation scientifique avec Python

Python offre une large gamme d'outils et de libraries permettant de réaliser des visualisations scientifiques statiques ou dynamiques de très bonnes qualités. Parmi ces outils, il y a la librarie matplotlib qui est devenue en quelques années le standard de la visualisation avec Python car on peut (presque) tout faire avec. Encore faut-il la maîtriser. Au travers de quelques exemples, nous verrons comment exploiter au mieux les capacités de cette librairie et vers quoi se tourner lorsqu'elle ne suffit pas. Enfin, nous passerons en revue quelques règles élémentaires pour réaliser de bonnes figures à partir de l'article "Ten simple rules for better figures.
 

Vincent Dejouy : Reproductibilité des calculs et optimisations de performances dans Numpy/Pandas

Dans un projet de Data Science nous sommes souvent amenés à traiter de multiples sources de données sur lesquelles nous effectuons de nombreux traitement. Il est alors parfois laborieux de retrouver quelles unités de traitement ré-exécuter lorsqu'une ou plusieurs de ces sources changent. Certains outils disponibles permettent de spécifier des graphes d'exécution dans lesquels sont précisés les différentes dépendances entre les unités de traitement et leurs données d'entrée et de sortie. Néanmoins ces outils demandent de décrire manuellement ce graphe d'exécution. Du coup avec des collègues de Quantmetry, nous avons développé une solution permettant de résoudre ce problème à partir de composants existants: Dask et Joblib. Le résultat est un outil permettant de décrire des graphes d'exécution de manière automatique en analysant le code.
Dans une deuxième partie de l'exposé je vous propose un exposé sur deux librairies très largement utilisés dans le monde la Data Science, Numpy et Pandas. Bien qu'il ne soit pas toujours utile de connaitre les détails techniques de l'implémentation pour utiliser ces librairies, afin d'effectuer de manière optimale des calculs sur des volumes de données importants il est important de savoir comment ces librairies organisent les données en mémoire. Dans ce court exposé je vais vous présenter les différentes façon de disposer les données en mémoire et comment cette disposition peut impacter les performances pour des calculs usuels.
   
Virginie Steiner:  Ouvrir ses données, pourquoi, pour qui et comment ? Le projet de la Ville de La Rochelle : portail, collaborations, expérimentations
à compléter 
 
Christine Plumejeaud : Python et le Web de données
Dans un monde de données toujours plus interconnectées, le langage de programmation Python offre une API légère et facile à déployer qui nous permet de développer rapidement des services Web pour consommer ou produire des données interconnectées. L'exploitation d'un dictionnaire d'espèces en ligne (le registre mondiale d'espèce marines - WORMS sur http://www.marinespecies.org/) aidant à la normalisation de données de pêche constitue notre premier exemple. La mise en place d'un service de cartographie statistique dynamique et interactif sur le suivi de données de biodiversité constitue notre second exemple. Python offre pléthore de frameworks Web, mais il ne sera ici question que de WSGI (Web Server Gateway Interface). 
 

Pierre Marige : Python et le bibliothécaire standard

Les bibliothécaires sont amenés à effectuer de nombreuses tâches répétitives impliquant des listes de données, manipulations pour lesquelles les outils bureautiques et le temps humain montrent vite leurs limites. Des scripts Python nous aident à exploiter des données (extraites d’un catalogue ou d’autres sources), les manipuler, les enrichir par des ressources web, et les restituer sous une forme exploitable par les bibliothécaires. La polyvalence du langage nous offre de nombreuses fonctionnalités (courriels automatiques, vérification de liens, applications graphiques, …) ; restent à définir les formats de données les plus pertinents pour nos différents usages.
  
Mathias Bouquerel: à compléter 
 
Emmanuel Bozonnet: Optimisation multicritère des bâtiments
La méthode par algorithme génétique NSGA-II utilisée (Deb et al., 2002) est une méthode qui a largement été utilisée pour la conception des bâtiments. La librairie python DEAP peut être utilisée. Les paramètres de l’algorithme d’optimisation doivent déterminés par une étude de convergence préalable et les paramètres de conception à optimiser sont préalablement sélectionnés sur la base d'une étude de sensibilité. Les principales méthodes d'analyse de sensibilité sont disponibles dans la librairie python SaLib. 
 
Erwan Liberge : Un couteau suisse pour la modélisation en mécanique
L'exposé présentera des utilisations variées de python et de certaines de ses librairies dans un contexte de modélisation numérique en ingénierie. Il sera abordé son utilisation permettant de recycler des sous-programmes écris dans un autre langage de programmation, son rôle de facilitateur lors de campagne d'études paramétriques, et de transcription d'un modèle mathématique vers un modèle numérique. 
 

Bruno Sciolla : Analyse d'images médicales 3D basée sur le deep learning (et tensorflow)

Le deep learning regroupe un ensemble de méthodes qui ont établi de nouveaux standards de performance sur des problèmes de classification, de prédiction, de segmentation sémantique et de nombreux autres problèmes. Nous présentons brièvement les bases de la segmentation par réseaux de neurones. Puis nous illustrons une implémentation dans Tensorflow, une librairie libre dédiée à l'apprentissage machine et développée par Google. En particulier, Tensorflow a un système de représentation des calculs par graphes, de variables représentant des conteneurs. Ces variables sont ensuite alimentées et les résultats collectés après une évaluation paresseuse.
  
Jerôme Lux : Python pour l’analyse, le traitement et la visualisation d’images 2D/3D 
L’essor de techniques d’imagerie comme la tomographie aux rayons X en sciences des matériaux ou l’imagerie par résonance magnétique en médecine s’est accompagné de besoins d’outils informatiques de traitement, d’analyse et de visualisation. Cet exposé vise à dresser un panorama (très incomplet) des bibliothèques python permettant de répondre à ces problématiques de manière la plus efficace possible. Le langage python permet en effet le développement rapide d’algorithmes complexes, grâce notamment aux nombreuses bibliothèques existantes (scipy, scikits, mahotas, itk, vtk/tvtk, opencv). L’inclusion de code inline en c++ peut également être envisagée afin d’améliorer la performance lorsque cela est nécessaire (weave, cython). 
Enfin des solutions pour la visualisation 2D/3D seront également présentées.
 
Christophe Saint-Jean : Une expérimentation autour de l'exploitation de données images annotées dans une architecture client-serveur.
Dans cet exposé, je montrerai la mise en oeuvre du modèle YOLO pour la détection et la reconnaissance d'objets dans des images. Du point de vue Python, on parlera des outils permettant de récolter et agréger des données de sources hétérogènes. Les bibliothèques évoquées sont (a priori) BeautifulSoup, pyzmq, keras, numpy, ... puis les générateurs et la programmation asynchrone. Suivant le temps restant, l'environnement de développement PyCharm sera également présenté et configuré pour une exécution à distance. 
 
Arnaud Revel: Programmation du robot Nao : de la programmation graphique à
la programmation Python
A compléter. 
 
Lien vers les présentations disponibles

 

Séminaires au MIA

Soutenance de thèse de Eloïse Comte, sur la «Pollution agricole des ressources en eau : approches couplées hydrogéologique et économique », le 8 décembre 2017, à 14h00 au Pôle Communication, Multimédia et Réseau

 
 
Numéro spécial dans MDPI Journal of Imaging (Guest Editor T. Bouwmans)

Call for Papers

 
Conférence "Python Scientifique Le 14 juin 2017, Amphi 200 PCMR
 

© Site du laboratoire MIA - Université de La Rochelle (réalisé avec Joomla!)