{"id":53299,"date":"2019-11-28T00:00:00","date_gmt":"2019-11-27T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/56-proektov-na-python-s-otkrytym-ishodnym-kodom"},"modified":"2020-02-18T14:01:11","modified_gmt":"2020-02-18T11:01:11","slug":"56-proektov-na-python-s-otkrytym-ishodnym-kodom","status":"publish","type":"post","link":"https:\/\/prohoster.info\/fr\/blog\/news\/56-proektov-na-python-s-otkrytym-ishodnym-kodom","title":{"rendered":"56 projets Python \u00e0 code source ouvert","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"56
\n<\/p>\n

1. Flask<\/h3>\n

\nC'est un micro-framework \u00e9crit en Python. Il n'a pas de validations pour les formulaires et le niveau d'abstraction de la base de donn\u00e9es, mais il vous permet d'utiliser des biblioth\u00e8ques tierces pour des fonctions g\u00e9n\u00e9rales. C'est ce qui en fait un micro-framework. Flask est con\u00e7u pour cr\u00e9er des applications de mani\u00e8re simple et rapide, tout en \u00e9tant \u00e9volutif et l\u00e9ger. Il est bas\u00e9 sur les projets Werkzeug et Jinja2. Vous pouvez en savoir plus \u00e0 son sujet dans le dernier article de DataFlair sur Python Flask<\/a><\/noindex>.<\/p>\n

2. Keras<\/h3>\n

\nKeras est une biblioth\u00e8que de r\u00e9seau de neurones open source \u00e9crite en Python. Elle est conviviale, modulaire et extensible, et peut fonctionner par-dessus TensorFlow, Theano, PlaidML ou Microsoft Cognitive Toolkit (CNTK). Keras a tout : des mod\u00e8les, des fonctions cibles et de transfert, des optimisateurs et bien plus encore. Elle prend \u00e9galement en charge les r\u00e9seaux de neurones convolutifs et r\u00e9currents.<\/p>\n

Le dernier projet open source bas\u00e9 sur Keras travaille sur la classification des cancers du sein<\/a><\/noindex>.
\n<\/a><\/noindex><\/p>\n

\"56<\/a><\/noindex>

\nCet article a \u00e9t\u00e9 traduit avec le soutien de la soci\u00e9t\u00e9 EDISON Software, qui d\u00e9veloppe un syst\u00e8me de diagnostic pour la base de donn\u00e9es de documents Vivaldi<\/a><\/noindex>, ainsi que investit dans des startups<\/a><\/noindex>.<\/p><\/blockquote>\n

3. SpaCy<\/h3>\n

\nC'est une biblioth\u00e8que open source qui s'occupe du traitement du langage naturel (NLP)<\/a><\/noindex> et est \u00e9crite en Python et Cython. Alors que NLTK est plus adapt\u00e9 \u00e0 l'enseignement et \u00e0 la recherche, le travail de spaCy consiste \u00e0 fournir un logiciel de production. De plus, Thinc est la biblioth\u00e8que d'apprentissage automatique de spaCy, qui propose des mod\u00e8les CNN pour le balisage de parties de discours, l'analyse de d\u00e9pendances et la reconnaissance d'entit\u00e9s nomm\u00e9es.<\/p>\n

4. Sentry<\/h3>\n

\nSentry propose un h\u00e9bergement de surveillance des erreurs open source, vous permettant de d\u00e9tecter et trier les erreurs en temps r\u00e9el. Installez simplement le SDK pour votre ou vos langages ou frameworks et commencez. Il permet de capturer des exceptions non g\u00e9r\u00e9es, d'examiner les traces de la pile, d'analyser l'impact de chaque probl\u00e8me, de suivre les erreurs dans diff\u00e9rents projets, d'attribuer des probl\u00e8mes et bien plus encore. Utiliser Sentry signifie moins d'erreurs et plus de code envoy\u00e9.<\/p>\n

5. OpenCV<\/h3>\n

\nOpenCV est une biblioth\u00e8que de vision par ordinateur et d'apprentissage automatique open source. La biblioth\u00e8que dispose de plus de 2500 algorithmes optimis\u00e9s pour des t\u00e2ches de vision par ordinateur, telles que la d\u00e9tection et la reconnaissance d'objets, la classification de diff\u00e9rents types d'activit\u00e9s humaines, le suivi des mouvements \u00e0 l'aide d'une cam\u00e9ra, la cr\u00e9ation de mod\u00e8les tridimensionnels d'objets, le stitching d'images pour obtenir des images haute r\u00e9solution et de nombreuses autres t\u00e2ches. La biblioth\u00e8que est disponible pour de nombreux langages, tels que Python, C++, Java, etc.<\/p>\n

Nombre d'\u00e9toiles sur Github : 39585<\/p>\n

Avez-vous d\u00e9j\u00e0 travaill\u00e9 sur un projet OpenCV ? En voici un \u2014 Projet de d\u00e9termination du sexe et de l'\u00e2ge<\/a><\/noindex><\/p>\n

6. Nilearn<\/h3>\n

\nC'est un module pour une mise en \u0153uvre rapide et facile de l'apprentissage statistique sur des donn\u00e9es de neuroimagerie. Il permet d'utiliser scikit-learn pour la statistique multidimensionnelle pour la mod\u00e9lisation pr\u00e9dictive, la classification, le d\u00e9codage et l'analyse de connectivit\u00e9. Nilearn fait partie de l'\u00e9cosyst\u00e8me NiPy, qui est une communaut\u00e9 d\u00e9di\u00e9e \u00e0 l'utilisation de Python pour l'analyse des donn\u00e9es de neuroimagerie.<\/p>\n

Nombre d'\u00e9toiles sur Github<\/a><\/noindex>: 549<\/p>\n

7. scikit-Learn<\/h3>\n

\nScikit-learn est un autre projet open source en Python. C'est une biblioth\u00e8que de machine learning tr\u00e8s r\u00e9put\u00e9e pour Python. Souvent utilis\u00e9e avec NumPy et SciPy, SciPy offre des fonctionnalit\u00e9s de classification, de r\u00e9gression et de clustering \u2014 il prend en charge SVM (machines \u00e0 vecteurs de support)<\/a><\/noindex>, les for\u00eats al\u00e9atoires, le boosting par gradient, k-moyennes et DBSCAN. Cette biblioth\u00e8que est \u00e9crite en Python et Cython.<\/p>\n

Nombre d'\u00e9toiles sur Github : 37144<\/p>\n

8. PyTorch<\/h3>\n

\nPyTorch est une autre biblioth\u00e8que open source de machine learning, \u00e9crite en Python et pour Python. Elle est bas\u00e9e sur la biblioth\u00e8que Torch et est particuli\u00e8rement adapt\u00e9e aux domaines comme la vision par ordinateur et le traitement du langage naturel (NLP). Elle dispose \u00e9galement d'un frontend C++. <\/p>\n

Parmi de nombreuses autres caract\u00e9ristiques, PyTorch offre deux haut niveaux :<\/p>\n