SCIPY PYTHON Tutoriel - Optimize, Fourier, NdImage (16/30)
Вставка
- Опубліковано 4 лип 2024
- Formation tutoriel Python 2019:
Scipy est le module parfait pour faire du calcul scientifique: de l’optimisation avec le module scipy.optimize, de l'interpolation,
Timecode de la vidéo:
0:00 - Intro
01:22 - Interpolate
05:10 - Optimize.curve_fit
08:02 - Optimize.minimize
11:59 - Traitement du signal
13:18 - Transformation de Fourier
18:04 - Image processing
21:00 - Application
27:02 - Exercice
• Le code sur Github :
github.com/MachineLearnia/Pyt...
• Documentation de Scipy:
docs.scipy.org/doc/scipy/refe...
• Fonction interp1d pour faire des interpolations
docs.scipy.org/doc/scipy/refe...
• Module Optimize:
docs.scipy.org/doc/scipy/refe...
• Tutoriel Scipy sur la transformation de Fourier
docs.scipy.org/doc/scipy/refe...
• Module ndimage pour traitement d'image:
docs.scipy.org/doc/scipy/refe...
► ARTICLES EN COMPLÉMENT DE CETTE VIDÉO:
machinelearnia.com/
► NOTRE COMMUNAUTÉ DISCORD
/ discord
► Recevez gratuitement mon Livre:
APPRENDRE LE MACHINE LEARNING EN UNE SEMAINE
CLIQUEZ ICI:
machinelearnia.com/apprendre-...
► Télécharger gratuitement mes codes sur github:
github.com/MachineLearnia
► Abonnez-vous : / @machinelearnia
► Pour En Savoir plus : Visitez Machine Learnia : machinelearnia.com/
► Qui suis-je ?
Je m’appelle Guillaume Saint-Cirgue et je suis Data Scientist au Royaume Uni. Après avoir suivi un parcours classique maths sup maths spé et avoir intégré une bonne école d’ingénieur, je me suis tourné vers l’intelligence artificielle de ma propre initiative et j’ai commencé à apprendre tout seul le machine learning et le deep learning en suivant des formations payantes, en lisant des articles scientifiques, en suivant les cours du MIT et de Stanford et en passant des week end entier à développer mes propres codes.
Aujourd’hui, je veux vous offrir ce que j’ai appris gratuitement car le monde a urgemment besoin de se former en Intelligence Artificielle.
Que vous souhaitiez changer de vie, de carrière, ou bien développer vos compétences à résoudre des problèmes, ma chaîne vous y aidera.
C’est votre tour de passer à l’action !
► Une question ? Contactez-moi: contact@machinelearnia.com
J'ai visionné des dizaines et des dizaines de vidéos, et en toute objectivité, au vu de la qualité du contenu de tes vidéos, j'estime que tu es l'un des meilleurs pédagogues en ce qui concerne l'enseignement de la datascience (français - anglais confondus). Tu mérites beaucoup plus d'abonnés !
Merci beaucoup ! Ma chaîne se développe progressivement, je vais continuer ainsi, chaque semaine, sans m’arrêter, et grâce à votre aide, notre communauté grandira ! Je sais qu'on va y arriver et je suis super motivé pour diffuser ces vidéos aux plus grand nombre :)
franchement...
@@MachineLearnia Salut tu peux me dire quel est la music que tu utilise en fond à 0:57 ? stp
@@ahmedsyed671 La musique s'appelle "connexion" et est disponible dans la youtube librairy
+1
Je suis un debutant en datas sciences, je suis entrain de visionner vos videos en ce moment meme , j'aimerais vous dire que je suis entrain de progresser significativement et en plus , vous etes la meilleure pedagogie...
Ce qui est fou, c'est que je vais regarder tes vidéos un certain nombre de fois! C'est trop dingue, j'apprends beaucoup de toi. J'aurais jamais appris tout çà si je devrais simplement me concentrer sur mes projets académiques à Epitech! Merci.
Une vidéo avec énormément de contenu! Merci de me rendre les maths de plus en plus intelligibles au fil de tes vidéos. :)
C'est un de mes buts premiers, je suis content de savoir que j'y parviens ! Merci Julien :)
Salut Guillaume,
Tu es vraiment au top : pédagogie excellente, contenu excellent... bref que du bonheur ! Hâte de découvrir ton module Deep learning !
Merci beaucoup :)
Effectivement une vidéo sur l'optimisation serai très intéressante, avec beaucoup de détails et d'explications. Félicitations pour vos vidéos, elles sont excellentes. Merci
jai prévu d'en faire une série, mais un peu plus tard dans l'année
C'est un plaisir de suivre vos vidéos....
Je pense que plus de vidéo sur SCIPY seront les bienvenues pour apporter plus de lumière à ce module
Bonjour et merci. Je prépare d'autres vidéos sur le package oui :)
Bonjour,chez nous on dit que "tu es dangereux"; c'est l'équivalent de "tu es vraiment bon".tu démystifie le machine learning .Merci vraiment.
Merci de préciser parce que ca peut faire peur de lire "tu es dangereux" ahah ! ^^
Merci beaucoup et a bientôt !
@@MachineLearnia j'en tiendrais compte prochainement.
Merci Guillaume pour ces vidéos toujours très instructives.
Celle-ci est très condensée dans les thèmes abordées,
elles suscitent d'avantage mon intérêt pour la data science
et de la curiosité à tester ces modèles.
Bonne continuation.
Merci a vous :)
Bonsoir Guillaume, je me retrouve de voir une vidéo après une autre sans arrêt, votre chaîne est superbe. Merciiiiii.
Merci beaucoup ca me fait tres plaisir de lire ca !
Hello Guillaume, comme d'habitude : vidéo de grande qualité !
Mercii !!
Merci beaucoup :)
Bonjour Guillaume,
Je reprends la série après quelques semaines de pause, je vous suis vraiment très reconnaissant pour la qualité de vos vidéos.
Je ne pensais pas qu'un jour je m'attaquerai à la montagne Machine Learning et ceci je le dois grâce à vous.
Souvent dans les séries de ce type, on est rapidement découragé par le niveau exigé, ici tout est rendu accessible grâce à votre pédagogie.
Merci encore pour le travail effectué, je n'ai qu'une hâte visionner la prochaine vidéo.
Bien à vous.
Frédéric
Bravo Frédéric ! Vous avez un mental de vainqueur ! Je vous encourage a continuer ainsi :)
Super vidéo encore ! NdImage c'est impressionnant c'est clair. Et merci pour l'astuce pour l'échelle sur scatter :-)
merci beaucoup pour ton commentaire :)
Merci pour toutes ces vidéos, on attend la suite avec impatience :)
La suite sort aujourd'hui ! Et les vidéos suivantes viendront rapidement ! :)
Ah oui ! Il a fallu attendre, mais là tu casses le game.
Arriver à compter le nombre de bactéries à partir d'une photo, et cela en quelques lignes de code, c'est dingue.
Moi qui pensais que Scipy était une bibliothèque très orientée recherche et assez ennuyeuse, ... tu viens de me montrer que c'est en réalité une vrai tuerie !
Merci oui c'est cool :)
Pour ma part, j'aimerais bien d'autre vidéos concernant le traitement de l'image ! Je trouve que cette vidéo était vraiment très très intéressante :).
Merci beaucoup Thierry ! Je compte faire pas mal de vidéos sur le traitement d'image a l'avenir, a la fois en Deep Learning et également en technique plus mathématique
Puissante démonstration, code lisible, parfaite maîtrise de l'outil et du domaine..
Tu es un chef...
Merci beaucoup
Excellent ! Meilleure prof français de data science ! Scipy est génial, je dirais pas à non à plus de vidéos sur le sujet ! :)
Vous me flattez, merci beaucoup :)
Salam, je te félicite pour ton travail entrepris. Et voilà que tout deviens assez facile. Notamment l'explication par des exemples réel. Chapeau encore pour ce travail de qualité.
Merci beaucoup !
Encore merci pour tout ce contenu. Je perfectionne vraiment mes connaissances et ma pratique grâce à toi 🙏
Bravo !
Mr Guillaume est l'un des meilleurs pédagogues en ce qui concerne l'enseignement de la datascience (français - anglais confondus) que j'ai jamais rencontré sur UA-cam ... Je decouvre chaque jour une plus grande ingeniosité dans tes formations. Merci champion. J'invite des collègues a la communauté...
Merci beaucoup ! C'est un honneur de recevoir un tel commentaire !
Merci pour tes vidéo et ton aide au quotidien! c'est hyper intéressant pour l'optimisation
de rien :)
J'avoue que je suis curieux de découvrir scipy en profondeur merci
Le contenu de cette formation est juste formidable. Merci beaucoup.
Ca fait plaisir a lire !
juste pour vous dire un grand merci .je n aurai jamais cru que la programmation pouvait etre aussi simple encore un grand merci
Tout le plaisir est pour moi :)
Merci pour ce contenu impeccable 😉 Ce serait génial d'avoir une série de vidéos sur la programmation linéaire.
Merci infiniment, Continuez on vous suit.
Merci c'est un plaisir :)
Merci beaucoup pour ces contenus gratuits.
In a besoin des vidéos sur des modèles comme RNN, ARIMA , ARIMAX, LSTN, ..... car j'ai un grand projet de data science sur la prediction des commandes clients concernant des produits en Thailandes
Merci à vous Guillaume, j'ai le plaisir de voir et revoir vos vidéos, qui m'ont vraiment changé d'avis pour la ML. merci énormément :))))
Je compte aborder tout cela, ne vous en faites pas :)
Excellent (comme d’habitude !)
merci beaucoup :)
merci Guillaume pour cette formation j'ai pris plusieurs a cause de toi j'ai cpmris bcp de choses a python aussi au machine learning
Slt Guillaume, Merci pour cette vidéo toujours très intéressant ! Waouh j'ai hâte de celles sur la NLP, mais avançons pas à pas !!
Bon weeek end. Cordialement. Michel
On ne fera pas de NLP dans cette série Python, mais je ferai plusieurs séries de vidéos a ce sujet en 2020.
@@MachineLearnia OK merci Guillaume !
Bonjour, vraiment génial. J'ai suivi toutes les vidéos jusqu'à maintenant et la qualité ne se dément pas. J'ai reproduit le traitement d'image sur une photo de grain de beautés et c'est vraiment facile de compter ceux ci. Merci pour la vidéo.
Excellent travail avec une très bonne qualité des vidéos et une très bonne maîtrise du sujet. C'est dommage qu'il n'y a pas suffisamment d'exercices pour chaque notion. Bravo!
N.B.: J'ai partagé votre lien avec d'autres collègues.
Merci beaucoup ! Je vais intégrer plus d'exercices a l'avenir
Vraiment top tes vidéos, je fais déjà du machine learning mais j'apprend quand pleins de nouvelles choses ! Si tu as le temps se serait bien que tu fasses une vidéos approfondie sur les maths utiles en machine learning, même si ça te parait évidant avec ton niveau, pour ceux comme moi qui n'ont pas fait de cursus de math. Et une autre vidéos sur scikit serait vraiment génial aussi ! :)
Merci beaucoup :) Ne t'inquiete pas j'ai prévu de faire toute une série de vidéos sur les maths, en plus d'articles pour mon site Internet !
Je suis déjà à la 17 éme vidéo vraiment bravo , en gros tu nous dis : ' voilà c'est facile ! faites comme moi et puis c'est tout '
Bravo !
Bah j'essaie de vous encourager au maximum :)
Franchement....j'adore..
MERCI, vraiment.
je vous en prie !
Vidéo très instructive, merci !
Merci Pulsar ! :)
Bonjour, merci pour les séries de vidéos
Géniale cette vidéo, merci beaucoup !
Merci beaucoup :)
Je dois te dire que mon prof de traitement d'image et signal n'a pas pu m'expliquer comme toi. Tu es le meilleur.
Merci beaucoup ! :)
Super vidéo, Merci !
Merci :)
Guillaume, tu es un génie
Merci beaucoup pour cet excellent et pédagogique cours .
Merci a vous, c'est un plaisir :)
A life changing video ❤
super le travail que vous faites ici
Merci beaucoup :)
excellente video Merci !!
Merci beaucoup :)
Excellentes vidéos, Très pédagogue. Peux-tu nous faire plus de vidéos d'optimisation s'il te plait ? Encore mieux si c'est avec du cplex. Merci Beaucoup et continue comme ça, Tu es au TOP
Merci beaucoup :) Ta demande est bien prise en compte (je vais faire plus de vidéos d'optimisation)
merci merci merci merci merci merci merci vous êtes un génie
Mais de rien :)
j'ai pas les mots, je me sens au coeur de la pratique de tas de théories grace à Python. Merci vraiment.
j'aimerais juste si vous pouvez fair une vidéo sur les équations différentielles qui se raccordent avec la Transformation de Fourier dans certains cas
Merci
Je vais le faire a l'avenir, merci pour la suggestion ! :)
Salut Guillaume !
Je tiens à te remercier pour ta pédagogie ainsi que l'ensemble de tes vidéos qui sont une mine d'informations !
Penses tu que ce serait amusant de faire une vidéo sur de la reconnaissance vocale, par l'intermédiaire du traitement de signal, du type Fourier, etc ? Si cela est possible bien entendu . Je m'exprimes avec mes connaissances de néophyte.
Bonne continuation à ta chaine !
Salut et merci a toi, oui j'ai prévu de faire ce genre de video, ca sera tres intéressant et tres fun :)
super video !!!!!!!!!!!!!!!!!!!
Thank you very much!
Cool Guillaume belle vidéo comme d'ab !! Sinon Guillaume arrivé à la 20 vidéos pense à pytorch pour appliquer tensorflow 😀
Merci beaucoup pour le soutien ! Malheureusement je ne vais pas faire de Pytorch dans cette série... mais ce n'est que partie remise parce que je compte faire des vidéos Pytorch dans l'avenir proche ! :)
Pas faux Guillaume je valide mieux faux d'abord appréhender les Rouages du machine learning pour ensuite attaquer pytoch qui est plus complexe orienté tensorflow deep learning force à toi
J'adore tes vidéos ❤ seulement au début de la section "traitement de signal", précisément à l'instant 12:04, ça parle bien de Scipy et non pas de matplotlib 😉
Bon courage
Ahah en effet je m'étais emmêlé la langue ^^
C'est tout simplement top. J'aimerais encore approfondir sur les traitements de signaux acoustiques et images médicales
Merci beaucoup. Oui j'ai deja commencé la préparation de videos a ce sujet qui sortiront un peu plus tard ! :)
ce mec est juste waooh
Wow merci :D
Bonjour Guillaume et à tous. Ca avance, va falloir commencer à organiser mes notes car si chaque notion prise séparément passe très bien, on commence à avoir pas mal d'outils ;)
Sinon question bête sur la dilatation (ca se dit dilation en french ?), on dirait qu'on a 3 méthodes :
Méthode A : celle que tu présentes à l'oral, à chaque foi que l'élément structurant touche du blanc, on met tous les pixels de l'élément structurant en blanc (ce que je faisais au début)
Méthode B : celle présentée sur tes images, quand le pixel central de l'élément structurant (appelé "anchor" sur tes images) touche du blanc, on met en blanc tous les pixels de l'élément structurant
Méthode C : Dès que l'élément structurant touche le blanc, on met en blanc uniquement le pixel central de l'élément structurant (anchor). Inversement pour l'érosion, le pixel est blanc central uniquement si tout l'élément structurant est inclus dans le blanc, si un morceau de l'élément est noir, le anchor est mis en noir
Il me semble que B= Id(C) par contre la méthode A ne donne pas le même résultat. De ce que je comprends des équations de morpho math, la C est la "vraie" méthode, donc est ce que je comprends mal, ou ce que les 3 sont OK ?
En tout cas merci à toi (si tu lis encore tes com 4 ans après ;) )
Bonjour et merci pour cette 16ᵉ vidéo, comme d'habitude c'est limpide ! Tu proposes dans ta vidéo de faire une autre vidéo sur scipy alors comme demande, peux-tu stp faire une vidéo de plus sur scipy? Encore merci pour tes précieux cours !
Bonjour et merci :) Oui c'est prévu ! Mais avant je vais faire une série sur le Deep Learning. Ensuite je vais faire une série sur Scipy en effet, qui rentre bien plus dans les détails. Je compte écrire des petits ebook également. Si tu veux etre au courant de ces prochaines sorties, tu peux t'abonner a notre Newsletter. A bientôt ! :)
Merci
Une vidéo sur l'optimisation linéaire et non-linéaire sous contrainte ça serait super !
J'ai prévu de le faire dans quelques temps (j'ai déjà commencé un code a ce sujet)
mrc bcp pour votre génial explication, j aimerais bien savoir est ce que python est le meilleur choix pour traitement de signal (par rapport a matlab par exemple)
Difficile a dire ! Python est plus simple a utiliser que matlab, et aujourd'hui il y a beaucoup plus de ressources en ligne pour trouver de l'aide. Numpy est l'équivalent de matlab pour python et je pense qu'on peut faire a peu près les mêmes choses avec Python et Matlab. C'est une question de gout et de carrière.
Ce serait bien une vidéo sur l'optimisation
Merci tout d'abord pour tes vidéos superbes. Pouvez faire une vidéos sur les séries de Fourier et la réponse d'un filtre linéaire à un signal périodique non sinusoïdal. Merci.
Merci a vous, oui je vais faire cela a l'avenir
Bonjour,
Merci beaucoup pour vos vidéos
qui sont tres instructives et claires ! J’avais juste une question : avez-vous à tout hasard les
codes de vos cours sur Jupyter par ex ?
Bonjour, oui tout est disponible sur mon compte github
Je suis de plus en plus passioner
C'est magnifique ! Je suis fier de vous ! Continuez ainsi et vous irez loin !
Merci Guillaume pour ton contenu.
Au sujet de la fonction "minimize" de scipy, je n'arrive pas à bien mettre en place et comprendre lorsque nous avons énormément "contraintes" à ajouter dans une fonction (plus de 100 contraintes), l'optimisation devient impossible j'ai l'impression !
Peux-tu faire une vidéo sur le sujet, ou me répondre ?
Merci d'avance,
Mickaël
bonjour je tiens tout d'abord a vous remercier pour ces vidéos très instructives mais j'aimerai aussi vous poser une question sur la dilation et l'érosion ,voila en ce moment je travail dans mon stage sur du traitement d'image grâce a un logiciel mais on aimerai faire ce traitement sur python , le logiciel fait de l'outlier sur les images avant traitement PCA, est ce que outlier est la dilation car d'après ce que j 'ai compris du logiciel ca y ressemble merci pour votre réponse.
Bonjour Guillaume. Une petite question à 21'50" au sujet du format de l'image bacteria.png qui à l'origine est à 3 dimensions (càd en couleur j'imagine). Quand on prend juste la première dimension (/couleur ?) en excluant les 2 autres, est-ce que l'on passe automatiquement en dégradé de gris ? Ce n'est pas du format RGB alors sinon l'image filtrée serait en dégradé de rouge non ?
Bonjour ! C'est une bonne question ! En fait en premier uniquement une seule couche on obtient juste des informations allant de 0 a 255. ca peut etre du bleu, du rouge, du vert, mais la machine ne peut pas le savoir ! Donc elle traite cela uniquement en tant que dégradé noir-blanc. Cela dépend uniquement du moteur graphique (la colour map) que vous choisissez.
Nice
Bonjour, Merci pour cette tuto , je voulais que vous nous explique sur un video au programmation lineaire en machin learning.
Merci beaucoup ! Oui je vais faire des vidéos sur la programmation linéaire.
Bonjour Guillaume,
Tout d'abord merci pour tes vidéos.
J'ai une petite question sur la fonction minimize, dans l'exemple de la fonction à une seule variable tu dis que la fonction va renvoyer le minimum suivant la valeur d'initialisation x0, alors pourquoi dans l'exemple suivant en initialisant à (0,0) minimize renvoie un minimum qui se trouve avant ces valeurs d'initialisation?
Merci pour ton message.
Je ne comprends pas vraiment ce que tu veux dire par "renvoie un minimum qui se trouve avant ces valeurs d'initialisation?"
-> Dans l'exemple 2D, on part de la coordonnée (0,0) et avec une descente de gradient on arrive progressivement au minimum local. Les couleurs du graphique représentent un minimum pour le violet et un maximum pour le jaune. Donc si tu laches une bille sur ce relief, elle va naturellement rouler vers le point violet en bas a gauche.
Je kiff telment tes vidéos, peut tu nou faire une vidéo concernant la segmentation d'image IRM avec 3D U-Net
Merci pour vos brillantes explications. Svp une fois le nuage de points représenté comment tracer la frontière de décision dans le cadre de la classification?
Merci .
Je ferai une vidéo a ce sujet dans pas longtemps+ en attendant vous pouvez vous rendre sur discord pour trouver de l'aide (le lien est dans la description sous la vidéo)
Je trouve que tu fais de belle et bonne vidéo. Peux tu en faire sur l'optimisation non linéaire con contraint par exemple. Merci à toi surtout pour tout.
Merci beaucoup. J'en ferai a l'avenir oui.
Merci pour la video!
Petite question : dans 10.42, la fonction "f" dans ** optimize.minimize(f,x0=x0).x **
peut-elle être définie avec la méthode : lambda x,y : ....
Oui on peut la définir ainsi
Salut et merci, c'est vraiment très intéressant et en plus ta passion est contagieuse.
La qualité de tes vidéos est incroyable...
Il manque cependant un liens Utip ou Paypal pour te remercier "pour de vrai".
Super vidéo, comme toute les précédentes... Eh, oui, j'ai découvert la chaîne il y a peu...
Juste une question sur la correction, en faisant plt.subplot(n//2, n//2, i+1) ne va-t-on pas se retrouver à un cadre de 3*3 pour 6 variables, etc. ? plt.subplot(2, n//2, i+1) ne serait-il pas plus intéressant ?
Oui tu as raison, c'est a toi de voir et de jouer avec les params pour obtenir ce que tu préferes :)
Bonjour Guillaume,
Merci pour toutes tes vidéos, elles sont top ! Petite question concernant optimize.minimize.
Pour x0 = -5.5, j'obtiens le minimum situé proche de -4. A quoi est du ce comportement ?
Vous avez utilisé la meme fonction que celle que j'ai présenté ici ?
Vous avez le message "optimization terminated successfully" ?
Vous avez utilisez un autre algorithme de minimisation que celui que je présente ici ?
@@MachineLearnia voici mon code :
def f (x):
return x**2 + 15*np.sin(x)
from scipy import optimize
liste = [-6.5, -6, -5.5, -5, -4, 3]
plt.figure(figsize=(15, 15))
for i in liste :
plt.subplot(len(liste)//2+1, 2, liste.index(i)+1)
# Définition d'un point x0 pour l'algorithme de minimisation
x0=i
result = optimize.minimize(f, x0=x0).x # résultat de la minimisation
# Visualisation du résultat
plt.plot(x, f(x), lw=3, zorder=-1) # Courbe de la fonction
plt.scatter(x0, f(x0), s=200, marker='+', c='g', zorder=1, label='initial') # point initial
plt.scatter(result, f(result), s=100, c='r', zorder=1, label='final') # point final
plt.legend()
plt.title(f'x0 = {i}')
plt.show()
print("Que pasa para -5.5 ?")
Adresse de l'image: image.slidesharecdn.com/presentation1-120825052533-phpapp02/95/the-microscope-18-728.jpg?cb=1345872384
Je ne la trouvai pas ni sur le code GitHub ni dans le descriptif mais j'ai peut être mal cherché lol
Conseil maison, faites une capture d'écran pour ne pas garder les 2 gros bords blancs de cette image jpeg et ainsi obtenir un png beaucoup plus proche de notre enseignant ^^
Sans cela vous aurez de très forte valeurs dans les blancs et un histogramme moins parlant!
A plus et encore merci pour cette pédagogie tellement rare à trouver et encore plus en français \O/
Merci pour le partage. Excellente astuce !
Oui SciPy a l'air monstreux, j'ai pu voir qu'il était très utile pour du nettoyage de données, j'aimerais d'autres exemples avec divers possibilités qu'offre scipy.
J'ai prévu de refaire des vidéos dessus a l'avenir.
Merci pour cette vidéo et pour toutes ces explications très claires!
J'ai juste une petite question, existe-t-il par hasard une fonction comme optimize.minimize() mais à la place de converger vers le premier minimum converge vers le premier maximum ? J'ai essayé de chercher optimize.maximize() mais malheureusement je ne trouve rien
En tout cas merci encore pour toutes tes vidéos
Merci beaucoup. D'un point de vue mathématique, un problème de maximisation est l'équivalent d'un problème de minimisation (il faut juste reformuler votre objectif dans sa version opposée). C'est la raison pour laquelle on parle toujours de minimisation (y compris en maths) même pour les cas ou l'on veut faire une maximisation.
Par exemple : vous voulez maximiser une fonction "gains", alors il suffit de minimiser la fonction "perte", c'est a dire passer de f(x) a -f(x).
Est-ce-que ma réponse est claire ?
@@MachineLearnia Totalement, merci beaucoup.
Bonjour M.
Merci pour vos cours je les trouve très bien et très bénéfiques pour les nouveaux utilisateurs de python comme moi.
Moi j'ai un problème avec une représentation graphique. Il s'agit de représenter sur une carte sur python des villes et afficher pour chaque ville un indicateur que j'aurai calculé par exemple la pollution.
Merci.
Bonjour et merci beaucoup :)
Matplotlib permet de tracer des cartes. Je vous conseille de vous rendre sur le discord de notre communauté (le lien est dans la description) sur lequel plusieurs personnes pourront vous aider. :)
Chapeau :\ vulgariser c'est maitriser vous nous faites croire que c'est facile :))
Merci !
boniour, j'ai une question sur le traitement d'image.
si je fais
new_img = ndimage.binary_erosion(X)
et qu'ensuite je fait un filtre pour ne garder que ce qui est identique entre l'image d'origine et new_img ?
sur le papier ça semble fonctionner...
ps: merci pour les videos
bonjour, sans plus de détails je ne peux pas vous aider. Venez nous en parler sur discord :)
Bonsoir ! la vidéo est super bien expliqué j'adore vraiment cette série ^^ , j'ai une petite question , a la fin en ce qui concerne
ndimage.sum() , quel est le role de notre image de base ? j'arrive pas a comprendre pourquoi on passe l'image de base + l'image des différents groupes de bactérie formés pour trouver leurs tailles x)
merci d'avance ! ^^
c'est un détail de la librairie.image permet de calculer la somme sur la valeur des pixels de l'images, et label permet d'indiquer a quel label appartient chaque pixel.
En fait, on fait ici la somme des pixels, donc si les pixels ont des valeurs différentes (des rouges, des verts, etc.) alors le résultat peut changer, mais ici, tout est noir/blanc.
@@MachineLearnia C'est bien plus claire :o ! merci beaucoup ;) !!
Salut, j'ai une erreur quand je fait plt.imshow(mask) avec le masque en boolean values. Aurai-je oublier d'importer un package important ?
Une autre idée ?
Quelle est l'erreur ?
@@MachineLearnia ca a fini par marcher, comme je l'ai dit sur le discord. Merci pour ton attention
Salut Guillaume, est ce normal que ta transformé de Fourier soit compris entre 0 et 0.5 Hz ? Si oui quelle est le rapport entre les fréquences dans le domaine temporel et fréquenciel ?
Merci d'avance et continue tes vidéos sont sooo useful !
Il ne faut pas s'en tenir a ce seimple exemple. Je ferai plus de vidéos et de formations a l'avenir sur Fourier.
Bonjour l'ami, je ne sais pas si j'ai découvert cette vidéo en retard, mais j'aimerais bien savoir ce qu'il en est de la vidéo de l'optimisation avec contraintes, si je puis me permettre bien entendu
bonjour
j'ai une question :
par example dans la partie de traitement du signal :
x = np.linspace(0, 2, 100)
y = x + 4*np.sin(x) + np.random.randn(x.shape[0])
plt.plot(x, y)
comment tu as fait pour choisir ces valeurs (0, 2, 100) pourquoi pas d'autres?
aussi pourquoi cette fonction précisement
y = x + 4*np.sin(x) + np.random.randn(x.shape[0])
quand je lis un code je comprends sa suite logique mais je n'arrive pas a le produire de mon cerveau = écrire un code toute seule. du coup j'aimerais comprendre le file de ta pensée !
merci pour ton temps et ton énergie
katia
vous êtes le meilleur, par ailleurs j'ai voulu savoir s'il ya des vidéos sur le traitement des données avec ML , comme la détection des valeurs aberrantes, redressement ou correction des données avant de l'utiliser pour des raisons d'analyse
Merci ! Oui j'ai fait une vidéo sur la detection d'anomalie : c'est la vidéo 24/30 de ma série Machine Learning
@@MachineLearnia merci infiniment c'est une bonne nouvelle, puisque j'ai arrivé à la vidéo 18/30.
Svp la syntaxe pour importer le dataset avec seaborn génére une erreur chez moi pourtant je parviens à l'importer avec pandas.
Que faire?
Je pense qu'il va falloir vous posez quelques questions pour bien comprendre la nature du problème, Je vous propose de rejoindre le discord de la communauté pour trouver des réponses.
Bonjour merci beaucoup pour votre qui est assez exceptionnel car il est facile à comprendre. Serait-il possible que vous fassiez une vidéo sur preprocessing des données de panel qui sont beaucoup utilisé en économie pour faire des analyses sur un ensemble de pays. Merci d avance
Bonjour, je vais le noter oui
bonjour, Merci pour les leçons sont vraiment très intéressantes!
pour la partie traitement d'image j'ai essayé avec spider sauf que aucun resultat pour l'histogramme.
j'ai essayé avec jupyter, mais j'ai pas les memes parametres d'affichage (echelle très grande) ce qui donne pas les meme resultat
Je t'invite a nous rejoindre sur Discord pour montrer tes résultats et nous pourrons t'aider !
@@MachineLearnia en fait j'ai crée un compte sur discord mais j'arrive pas à vous identifier
wajdi.elhamzi@gmail.com
bonjour,
dans la vidéo tu explique que interpolate permet de générer une fonction qui va parfaitement épouser la forme d'une autre fonction qui par exemple manque de données. je me suis donc demandé si c'est possible d'utiliser la fonction interpolate afin de remplacer les valeurs NAN d'un dataset par des valeurs approximatives, est ce que procéder de cette façon là ne va pas fausser nos calcul qi on travail avec un dataset qui aurait subit une tel manipulation? et si c'est bonne façon de faire est ce cette méthode est plus pertinente que le fait d'utiliser la fonction isNAN pour mettre toutes la valeurs NAN à zero?
Et au fait super vidéo comme d'habitude même si parfois tu va un peu vite, il faut donc regarder plusieurs fois pour bien comprendre mais je ne me lasse pas de cette formation.
Bonjour et merci a toi. Tu poses une excellente question, je parle dans une vidéo futures des stratégies pour le traitement des NaN. En effet il est plutot rare de faire appel a la fonction interpolate de scipy pour "completer" les NaN d'un Dataset, mais ca m'est arrivé une fois dans un projet semblable a ce que je décrit en début de vidéo, et les résultats de notre équipe furent excellent. Maintenant Interpolate est un outil qui est surement utilisé dans pleins d'autres situations, les applications sont inombrables, voila ! :)
Désolé si je vais un peu vite, j'essaie justement de faire une vidéo "utile" dans laquelle je ne gache pas le temps des gens a faire des phrases inutiles (c'est pour ca que j'écris et je prépare un script longtemps a l'avance que je travaille pour l'otpimiser,... mais ca me prend parfois beaucoup d'effort pour au final avoir une vidéo peut-etre un peu trop rapide, je le concois. Parfois il m'arrive meme de revoir une vidéo que j'ai sortie par le passé pour voir la qualité, et la vitesse me gene un peu il est vrai.. mais je suis tres critique de mon travail, peut-etre un peu trop...) Merci en tout cas pour ton retour, c'est tres utile d'avoir ce genre d'info !
Bonjour Guillaume, cette vidéo est très riche! Mille Mercis!
Question 1: pour la partie traitement du signal, j'aimerais voir comment l'appliquer à un exemple concret( par exemple rendre audible un message vocal dans le bruit à partir d'un extrait audio)
Question 2: pour nd image: plusieurs couleurs apparaissent pour les différents groupes de bactéries: y a -t-il une classification derrière tout ça? et si oui comment la retrouver sur le scatterplot?
Bonjour Cathy, et merci :)
Je vais faire des vidéos "projets" pour répondre a la question 1.
Pour la question 2, Oui c'est en quelque sorte une classification. Les classes sont définies a partir des pixels : lorsque des pixels d'une "meme couleur" sont en contact, ils sont affectés a une même classe.
@@MachineLearnia Merci Guillaume!
il faut te suivre de près pour ne rien manquer...MLearnia ClassRoom
Il suffit de s'abonner et d'activer la cloche si tu ne veux rien loupe. Merci beaucoup :)
C'est deja fait 🙏
Excéllentissime! Pourrais - je svp avoir l'expression du signal non bruité et de sa forme bruitée que vous filtrez à 16:37 ? Merci
Bonjour, oui tout le code est disponible sur github (le lien est dans la description de la vidéo)
Bonjour je remarque un comportement différent, peut-être que la version de scipy a été modifiée, mais vers 11:41 si je prends x0=np.zeros((2,1)) tel que dans la vidéo, j'obtiens une erreur (raise ValueError("'x0' must only have one dimension.")) par contre en définissant x0=[0,0] tout va bien. J'utilise python 3.11.5 et scipy 1.11.1.
Merci pour cette video. Petite note, la FFT s'utilise aussi pour les signaux apériodiques... D'ailleurs les lecteurs audio de fichier MP3 affichent des histogrammes ou mêmes des effets divers et variés et certains éclairages pour les fêtes se basent sur ce principe. Le principe de la FFT pour les signaux apériodiques est un peu complexe par contre et je crois qu'il se base sur les "ondelettes".
Oui ce que tu dis est vrai, mais pour garder les idées claires pour l'audience j'ai préféré dire qu'il vaut mieux utiliser Fourier sur les signaux périodiques car c'est comme ca que c'est utilisé de base. En tout cas c'est comme ca qu'on l'apprend d'abord en prépa ou a l'université.
Je ne savais pas pour les fichiers MP3 merci de m'avoir appris qqch :)
@@MachineLearnia Pas faux. C'est vrai que c'est plus approprié pour les signaux périodiques. En automatique, on utilisait aussi beaucoup la transformée de Laplace qui s'y rattache pour certains aspects. Ca permet de traiter particulièrement bien le problème des régimes transitoires. Après, il y a aussi la transformée en Z mais je ne sais pas si il existe des fonctions en Python pour l'une de ces deux méthodes de calcul...
En tout cas, ton filtrage numérique de fréquences est magnifique surtout pour qqn qui a l'habitude des filtres analogiques. Pour avoir une idée plus concrète du résultat, il faudrait jouer l'audio de ton signal non filtré et ensuite du signal filtré.
Ah, dans le domaine, un site gratuit assez bien fait pour faire ses propres calculs : www.micromodeler.com/dsp/
Je ne connaissais pas ce site, il est super, merci ! Oui il y a des librairies opensources construites sur numpy pour faire des transformer en Z, mais personnellement je me suis construit ma propre bibliotheque de fonctions pour faire cce genre de choses quand j'en ai besoin (mais ca n'arrive pas vraiment en data science)
Excellent ton exemple d'application-bilan !
Quelques petites précisions car tu passes très vite sur certaines notions dans cette vidéo très dense :
- l'axe des fréquences que tu obtiens dans sur ton graphe de Fourier n'est pas très parlant. Cela vient du fait que ton code ne précise pas à la fonction fftpack.fftfreq quel est le "pas temporel" de ton signal. Il faut également multiplier la fréquence par 2*pi pour que le nombre devant le x dans les fonctions np.sin correspondent bien à la fréquence de la sinusoïde (en effet le sinus étant 2-pi périodique, pour un signal de 1Hz, le sinus doit "voir s'écouler" 2*pi en un temps x = 1s). Si on voulait effectivement obtenir un contenu de fréquences temporelles avec des pics à 1, 5 et 10Hz, par exemple pour un signal relevé par un capteur pendant une durée donnée avec une fréquence d'échantillonnage donnée, on pourrait écrire le code suivant :
'''
duration = 10 # durée (s)
fs = 50 # fréquence d'échantillonnage (Hz)
x = np.linspace(0, duration, duration*fs)
y = 3 * np.sin(1*(2*np.pi)*x) + 2 * np.sin(5*(2*np.pi)*x) + np.sin(10*(2*np.pi)*x)
fourier = fftpack.fft(y)
power = np.abs(fourier)
frequences = fftpack.fftfreq(y.size, 1/fs)
'''
-19:52 l'érosion d'une image est l'ensemble des pixels (blancs) tels que le motif structurant est CONTENU dans cet ensemble, pour chaque pixel (blanc) restant. Autrement dit, le motif passe sur chaque pixel blanc de l'image de départ, et s'il dépasse de l'ensemble des pixels blancs, alors le pixel blanc actuel est effacé ; en revanche si le motif ne dépasse pas, alors le pixel blanc est conservé. Il faut bien noter que l'ensemble des pixels considéré à chaque pas est l'ensemble des pixels de DEPART, sinon à la fin du processus il ne resterait plus rien.
- 20:58 tu aurais pu obtenir un meilleur filtrage des artefacts en remplaçant simplement le motif structurant utilisé par défault, qui est un "+", par un motif carré 3x3. Code :
'''
open_x = ndimage.binary_opening(X, np.ones((3, 3)))
'''
- 21:47 l'image utilisée : image.slidesharecdn.com/presentation1-120825052533-phpapp02/95/the-microscope-18-728.jpg?cb=1345872384
(l'ouverture du fichier ne fonctionnait pas de premier abord malgré son format .png, j'ai du reconvertir l'image en .png avec image.online-convert.com/convert-to-png. Puis pour la redimensionner afin d'éliminer le texte et les bords blancs : '''image = image[:500,90:620, 0]''')
Merci beaucoup ! J'apprécie beaucoup quand les gens apportent des précisions, la votre a une tres grande valeur !