Formation au MLOps avec MLFlow pour acquérir les connaissances et les compétences nécessaires à la mise en œuvre de pratiques MLOps, en utilisant des outils tels que MLFlow. Exploration des aspects de la gestion du cycle de vie des modèles de machine learning, du développement à la production, à travers cinq chapitres.

Hydronaut est un framework pour l'exploration de l'espace des hyperparamètres à l'aide de Hydra et MLflow. Il encourage et facilite l'utilisation de ces outils en gérant leur complexité respective, permettant ainsi aux utilisateurs de se concentrer sur le développement de leurs modèles.

Ce projet utilise des données satellites pour détecter et analyser les habitats spontanés. Il permet de définir le type de données satellites à utiliser, le département et l'année d'utilisation, ainsi que le type d'annotateur et la taille des buffers. Le pipeline d'entraînement complet est contenu dans le fichier src/run_training_pipeline.py et peut être lancé en définissant le fichier config.yaml et en exécutant la commande python src/run_training_pipeline.py <remote_server_uri> <experiment_name> <run_name>.

Ce projet utilise des modèles d'intelligence artificielle pour analyser des images satellitaires et détecter des objets spécifiques. Il permet la surveillance de zones géographiques et le suivi de l'évolution de cultures, offrant ainsi des informations précieuses pour divers secteurs d'activité.

Ce projet implémente l'algorithme d'apprentissage supervisé de fastText pour la classification de texte utilisant PyTorch. Il vise l'efficacité et la précision dans la classification de texte, la réduction de dimensions textuelles, l'analyse de sentiments et la catégorisation de contenu.

Le projet mlflow-extra fournit des commandes complémentaires pour l'interface de ligne de commande mlflow, offrant des fonctionnalités telles que le filtrage de runs dans une expérience basé sur des valeurs seuils de métriques ou le nombre total de runs à conserver, la correction d'URI d'artéfacts dans des métadonnées d'expériences et de runs, et la fusion d'expériences à partir de plusieurs répertoires mlruns dans un répertoire commun.

Ce projet consiste en un dépôt de code source contenant des instructions pour créer une image Docker de MLFlow, un outil de suivi et de gestion du cycle de vie des modèles de machine learning. Il est basé sur l'image python-minimal de Onyxia's catalog.

Ce projet vise à expérimenter le codage automatique de la NACE rev 2.1 basé sur les descriptions d'activités du registre Sirene. Il contient tous les composants nécessaires pour former un modèle de classification basé sur Fasttext, offrant une solution pratique et simple pour la compréhension automatisée des activités de sociétés.

Ce projet permet d'extraire l'information contenue dans le tableau 'filiales et participations' des comptes sociaux des entreprises grâce à des fonctionnalités de sélection de page et d'extraction de tableau.

Ce projet utilise des techniques de machine learning pour prédire la perméabilité du barrière cérébro-spinale des composés chimiques. Il s'appuie sur la Blood-Brain Barrier Database et le logiciel cheminformatique open-source RDKit pour calculer les caractéristiques des composés. Le projet est basé sur les frameworks Molpred, Hydronaut et Chemfeat, qui offrent une gestion avancée des hyperparamètres, une exploration et une optimisation, ainsi qu'une génération facile de vecteurs de caractéristiques.