Descripteur
Termes IGN > informatique > langage de programmation > langage à objets > Python (langage de programmation)
Python (langage de programmation)Voir aussi |
Documents disponibles dans cette catégorie (107)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
JUST: MATLAB and python software for change detection and time series analysis / Ebrahim Ghaderpour in GPS solutions, vol 25 n° 3 (July 2021)
[article]
Titre : JUST: MATLAB and python software for change detection and time series analysis Type de document : Article/Communication Auteurs : Ebrahim Ghaderpour, Auteur Année de publication : 2021 Article en page(s) : Article 85 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Statistiques
[Termes IGN] analyse de données
[Termes IGN] détection de changement
[Termes IGN] Matlab
[Termes IGN] méthode des moindres carrés
[Termes IGN] Python (langage de programmation)
[Termes IGN] série temporelleRésumé : (Auteur) Change detection within unequally spaced and non-stationary time series is crucial in various applications, such as environmental monitoring and satellite navigation. The jumps upon spectrum and trend (JUST) is developed to detect potential jumps within the trend component of time series segments. JUST can simultaneously estimate the trend and seasonal components of any equally or unequally spaced time series by considering the observational uncertainties or measurement errors. JUST and its modules can also be applied to monitor vegetation time series in near-real-time. Herein, the details of the open-source software package for JUST, developed in both MATLAB and Python, are presented. Numéro de notice : A2021-330 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE/MATHEMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s10291-021-01118-x Date de publication en ligne : 09/04/2021 En ligne : https://doi.org/10.1007/s10291-021-01118-x Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97500
in GPS solutions > vol 25 n° 3 (July 2021) . - Article 85[article]Using machine learning to map Western Australian landscapes for mineral exploration / Thomas Albrecht in ISPRS International journal of geo-information, vol 10 n° 7 (July 2021)
[article]
Titre : Using machine learning to map Western Australian landscapes for mineral exploration Type de document : Article/Communication Auteurs : Thomas Albrecht, Auteur ; Ignacio Gonzalez-Alvarez, Auteur ; Jens Klump, Auteur Année de publication : 2021 Article en page(s) : n° 459 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage automatique
[Termes IGN] Australie occidentale (Australie)
[Termes IGN] cartographie automatique
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] géomorphologie
[Termes IGN] modèle numérique de surface
[Termes IGN] prospection minérale
[Termes IGN] Python (langage de programmation)Résumé : (auteur) Landscapes evolve due to climatic conditions, tectonic activity, geological features, biological activity, and sedimentary dynamics. Geological processes at depth ultimately control and are linked to the resulting surface features. Large regions in Australia, West Africa, India, and China are blanketed by cover (intensely weathered surface material and/or later sediment deposition, both up to hundreds of metres thick). Mineral exploration through cover poses a significant technological challenge worldwide. Classifying and understanding landscape types and their variability is of key importance for mineral exploration in covered regions. Landscape variability expresses how near-surface geochemistry is linked to underlying lithologies. Therefore, landscape variability mapping should inform surface geochemical sampling strategies for mineral exploration. Advances in satellite imaging and computing power have enabled the creation of large geospatial data sets, the sheer size of which necessitates automated processing. In this study, we describe a methodology to enable the automated mapping of landscape pattern domains using machine learning (ML) algorithms. From a freely available digital elevation model, derived data, and sample landclass boundaries provided by domain experts, our algorithm produces a dense map of the model region in Western Australia. Both random forest and support vector machine classification achieve approximately 98% classification accuracy with a reasonable runtime of 48 minutes on a single Intel® Core™ i7-8550U CPU core. We discuss computational resources and study the effect of grid resolution. Larger tiles result in a more contiguous map, whereas smaller tiles result in a more detailed and, at some point, noisy map. Diversity and distribution of landscapes mapped in this study support previous results. In addition, our results are consistent with the geological trends and main basement features in the region. Mapping landscape variability at a large scale can be used globally as a fundamental tool for guiding more efficient mineral exploration programs in regions under cover. Numéro de notice : A2021-546 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi10070459 Date de publication en ligne : 06/07/2021 En ligne : https://doi.org/10.3390/ijgi10070459 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98048
in ISPRS International journal of geo-information > vol 10 n° 7 (July 2021) . - n° 459[article]
Titre : Data mining : methods, applications and systems Type de document : Monographie Auteurs : Derya Birant, Éditeur scientifique Editeur : London [UK] : IntechOpen Année de publication : 2021 Importance : 200 p. ISBN/ISSN/EAN : 978-1-83968-319-0 Note générale : Print ISBN 978-1-83968-318-3
eBook (PDF) ISBN 978-1-83968-320-6Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] acquisition de données
[Termes IGN] apprentissage profond
[Termes IGN] arbre de décision
[Termes IGN] exploration de données
[Termes IGN] Python (langage de programmation)
[Termes IGN] série temporelleIndex. décimale : 26.40 Intelligence artificielle Résumé : (Editeur) Data mining is a branch of computer science that is used to automatically extract meaningful, useful knowledge and previously unknown, hidden, interesting patterns from a large amount of data to support the decision-making process. This book presents recent theoretical and practical advances in the field of data mining. It discusses a number of data mining methods, including classification, clustering, and association rule mining. This book brings together many different successful data mining studies in various areas such as health, banking, education, software engineering, animal science, and the environment. Note de contenu :
1. Deep Learning: Exemplar Studies in Natural Language Processing and Computer Vision / Selma Tekir and Yalin Bastanlar
2. Contribution to Decision Tree Induction with Python: A Review / Bouchra Lamrini
3. Association Rule Mining on Big Data Sets / Oguz Celik, Muruvvet Hasanbasoglu, Mehmet S. Aktas and Oya Kalipsiz
4. Data Mining in Banking Sector Using Weighted Decision Jungle Method / Derya Birant
5. Analytical Statistics Techniques of Classification and Regression in Machine Learning / Pramod Kumar, Sameer Ambekar, Manish Kumar and Subarna Roy
6. Clustering of Time-Series Data / Esma Ergüner Özkoç
7. Weather Nowcasting Using Deep Learning Techniques / Makhamisa Senekane, Mhlambululi Mafu and Molibeli Benedict Taele
8. Data Mining and Machine Learning for Software Engineering / Elife Ozturk Kiyak
9. Data Mining for Student Performance Prediction in Education / Ferda Ünal
10. Tracer Transport in a Homogeneous Porous Medium: Experimental Study and Acquisition Data with LabVIEW / Sana Dardouri and Jalila Sghaier
11. Data Mining and Fuzzy Data Mining Using MapReduce Algorithms / Poli Venkata Subba ReddyNuméro de notice : 26539 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Recueil / ouvrage collectif DOI : 10.5772/intechopen.87784 En ligne : http://doi.org/10.5772/intechopen.87784 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97753 Détection d’ouvertures par segmentation sémantique de nuages de points 3D : apport de l’apprentissage profond / Camille Lhenry (2021)
Titre : Détection d’ouvertures par segmentation sémantique de nuages de points 3D : apport de l’apprentissage profond Type de document : Mémoire Auteurs : Camille Lhenry, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2021 Importance : 106 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] base de données dérivée
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] fenêtre (bâtiment)
[Termes IGN] image RVB
[Termes IGN] image thermique
[Termes IGN] modélisation 3D du bâti BIM
[Termes IGN] Python (langage de programmation)
[Termes IGN] réseau neuronal de graphes
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsIndex. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) Grâce au développement rapide des techniques d’acquisition 3D, les nuages de points sont de plus en plus utilisés dans divers domaines. Ils sont notamment la donnée de départ pour le développement de BIM (Building Information Modeling) de bâtiments existants, processus permettant le travail collaboratif des différents corps de métier. Néanmoins, le traitement de cette donnée est une étape majoritairement manuelle, longue et chronophage. Ce projet de fin d’études s’inscrit donc dans une problématique d’automatisation des traitements menant du nuage de points au BIM et se concentre sur la segmentation automatique des ouvertures des bâtiments. Cette problématique a été abordée par de multiples auteurs avec des méthodes algorithmiques ou d’apprentissage machine, qui nécessitent une certaine implication de l’utilisateur. Profitant de l’expansion du domaine de l’apprentissage profond, le réseau de neurones PointNet++ (Qi, Yi, Su & Guibas 2017) a été utilisé pour répondre à l’objectif de l’étude. Malgré les difficultés inhérentes à la nature des éléments à segmenter (transparence des matériaux, variabilité des styles architecturaux), la qualité de segmentation des ouvertures est prometteuse, notamment en couplant l’information thermique au nuage de points. Le défi majeur mis en évidence par l’étude est le manque de bases de données d’apprentissage, indispensables à l’utilisation de réseaux de neurones. Face à cet obstacle, une solution semi-automatique nécessitant la labellisation manuelle d’une portion limitée du bâtiment est présentée. Note de contenu : Introduction
1- Etat de l'art
2- Développement de la méthode
3- Résultats et discussions
Conclusions et perspectivesNuméro de notice : 28682 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : Laboratoire ICUBE En ligne : http://eprints2.insa-strasbourg.fr/4492/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99976
Titre : Developing graphics frameworks with Python and OpenGL Type de document : Guide/Manuel Auteurs : Lee Stemkoski, Auteur ; Michael Pascale, Auteur Editeur : Boca Raton, New York, ... : CRC Press Année de publication : 2021 Importance : 345 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-1-00-318137-8 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Langages informatiques
[Termes IGN] image 3D
[Termes IGN] interface de programmation
[Termes IGN] OpenGL
[Termes IGN] processeur graphique
[Termes IGN] programmation informatique
[Termes IGN] Python (langage de programmation)
[Termes IGN] scène 3D
[Termes IGN] texture d'image
[Termes IGN] transformation géométriqueRésumé : (éditeur) Developing Graphics Frameworks with Python and OpenGL shows you how to create software for rendering complete three-dimensional scenes. The authors explain the foundational theoretical concepts as well as the practical programming techniques that will enable you to create your own animated and interactive computer-generated worlds. You will learn how to combine the power of OpenGL, the most widely adopted cross-platform API for GPU programming, with the accessibility and versatility of the Python programming language. Topics you will explore include generating geometric shapes, transforming objects with matrices, applying image-based textures to surfaces, and lighting your scene. Advanced sections explain how to implement procedurally generated textures, postprocessing effects, and shadow mapping. In addition to the sophisticated graphics framework you will develop throughout this book, with the foundational knowledge you will gain, you will be able to adapt and extend the framework to achieve even more spectacular graphical results. Note de contenu : 1- Introduction to computer graphics
2- Introduction to Pygame and OpenGL
3- Matrix algebra and transformations
4- A scene graph framework
5- Textures
6- Light and shadowNuméro de notice : 28306 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Manuel DOI : 10.1201/9781003181378 En ligne : https://doi.org/10.1201/9781003181378 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98077 Mise en place d’une infrastructure de données spatiales sur le risque de piqures de tiques / Lilian Calas (2021)PermalinkParticiper à la construction de la base de données des toponymes maritimes du SHOM / Solenn Tual (2021)PermalinkQualification des données LiDAR GEDI pour le suivi de l’impact climatique sur la forêt de Südharz / Iris Jeuffrard (2021)PermalinkSystème de gestion des servitudes d’utilité publique du Bas-Rhin : développement "backend" / Patrick-Franck Namekong-Teulong (2021)PermalinkTime-series analysis of massive satellite images : Application to earth observation / Alexandre Constantin (2021)PermalinkPython software tools for GNSS interferometric reflectometry (GNSS-IR) / Angel Martín in GPS solutions, Vol 24 n° 4 (October 2020)PermalinkEstimating spatio-temporal air temperature in London (UK) using machine learning and earth observation satellite data / Rochelle Schneider dos Santos in International journal of applied Earth observation and geoinformation, vol 88 (June 2020)PermalinkImproved supervised learning-based approach for leaf and wood classification from LiDAR point clouds of forests / Sruthi M. Krishna Moorthy in IEEE Transactions on geoscience and remote sensing, vol 58 n° 5 (May 2020)PermalinkCréation d’un outil d’interrogation du référentiel régional pédologique de Bretagne pour estimation du stock de carbone organique du sol / Louise Grall (2020)PermalinkPermalink