URL: https://linuxfr.org/users/omc/journaux/document-de-cours-python-for-science Title: Document de cours : "Python for science" Authors: omc Date: 2019年05月13日T12:29:24+02:00 License: CC By-SA Tags: enseignement, python3 et sciences Score: 40 Cher journal, je voudrais te parler aujourd'hui d'un document intitulé ["Python for science"](https://gitlab.com/damien.andre/learning-python-for-science/raw/master/latex/poly.pdf) (c'est en anglais) d'une centaine de pages et publié sous licence _Creative Common_ [CC-BY-SA](https://creativecommons.org/licenses/by-sa/4.0/) qui introduit le langage Python pour une utilisation scientifique plutôt orientée vers traitement de données. Le document est libre et les [sources LaTeX et SVG sont hébergées sur gitlab](https://gitlab.com/damien.andre/learning-python-for-science). # Pourquoi ? pour qui ? Cela fait maintenant quelques années que je pratique Python pour mon boulot. Je m'en sers surtout pour faire du post-traitement de données issues de calculs numériques et je voulais partager avec d'autres mes maigres connaissances sur ce sujet. Ces "autres" sont plus particulièrement des étudiants de mon université (Limoges) mais cela peut être aussi n'importe qui s'intéressant à ce sujet. # Philosophie du document Je ne suis pas du tout _Pythoniste_ et j'ai une approche très utilitariste de Python. Par exemple, je fais rarement des scripts supérieurs à une centaine de lignes. Ce qui m'intéresse avant tout, c'est d'avoir un code qui fait ce qu'il doit faire, en un minimum de temps de développement et qui ne soit pas trop illisible pour pouvoir être repris ultérieurement. Ce document reflète donc cette approche, plutôt minimaliste et pragmatique. # (Partie 1) Les sujets abordés Après avoir introduit brièvement les règles de base du langage, le document présente l'usage des bibliothèques [numpy](https://fr.wikipedia.org/wiki/NumPy), [matplotlib](https://fr.wikipedia.org/wiki/Matplotlib), [scipy](https://fr.wikipedia.org/wiki/SciPy), [pandas](http://pandas.pydata.org/) et [sympy](https://fr.wikipedia.org/wiki/Sympy). Ces 5 bibliothèques fournissent un véritable couteau suisse pour le scientifique qui a besoin de traitements numériques avancés. Il s'ensuit des exercices [avec les corrigés](https://gitlab.com/damien.andre/learning-python-for-science/tree/master/script) qui abordent mes marottes comme le traitement d'image, l'analyse de signal pour faire un accordeur, des calculs de mécanique issus de corrélation d'image, du calcul par éléments discrets, etc... # (Partie 2) Un peu d'IA pour mieux comprendre keskecé L'IA est un sujet [à la mode ;)](https://iatranshumanisme.com/2019/02/04/ia-va-t-elle-aussi-tuer-la-democratie/) et je ne voulais pas être trop à la ramasse sur ce thème. J'ai donc tenté, avec mon couteau suisse Python tout neuf, de programmer depuis zéro un réseau de neurones, histoire de mieux comprendre de quoi il s'agit. La seconde partie du document traite plus spécifiquement de ce sujet et retrace donc le cheminement que j'ai parcouru pour faire un réseau de neurones à partir des seuls outils fournis par numpy. Bien entendu, pour une utilisation un peu sérieuse d'un réseau de neurones, le lecteur avisé devra se tourner vers des modules spécialisés tels que [Keras](https://keras.io/) ou [scikit learn](https://scikit-learn.org/). # Pour conclure Si des personnes sont intéressées pour critiquer(\*)/contribuer/corriger/améliorer(\*\*) ce document, elles sont les bienvenues ! -- (\*) pas trop quand même (\*\*) Mon anglais est plutôt approximatif