PyJoules est un logiciel open source permettant de mesurer la consommation énergétique d'un ordinateur hôte pendant l'exécution d'un code Python. Il prend en charge le suivi de la consommation d'énergie des processeurs Intel, de la mémoire RAM et des GPU intégrés Intel pour les architectures serveur, ainsi que des GPU Nvidia.

Ce projet est une formation au Deep Learning, co-organisée par le 3IA MIAI institute, le CNRS, via la Mission pour Transversal et Interdisciplinary Initiatives (MITI) et l'Université de Grenoble Alpes (UGA). Il vise à fournir une compréhension des bases des réseaux de neurones de Deep Learning, une première expérience à travers des exemples simples et représentatifs, une familiarisation avec les technologies Tensorflow/Keras et Jupyter lab, et une initiation aux environnements informatiques académiques Tier-2 ou Tier-1 avec des GPU puissants.

Ce projet fournit une aide aux nouveaux utilisateurs pour comprendre un serveur gitlab spécifique et offre des tutoriels pour l'utilisation de YOLOv5 et DeepSort, deux outils de détection et de suivi d'objets.

Stereo2vec is a project that converts stereo audio data into vector space representations, enabling various audio-related use cases such as music genre classification, speech recognition, and sound event detection.

Projet de master visant à appliquer des outils d'apprentissage automatique (en particulier, apprentissage profond) à un problème de reconnaissance de l'écriture manuscrite de formules mathématiques. Le sujet est disponible dans le répertoire 'subject' et le code fourni dans 'code'. Des exemples de données de test sont disponibles dans le répertoire 'data', mais l'ensemble de données complet est disponible dans le référentiel TC11.

Ce projet est un projet de deep learning implémenté en Python. Il consiste en un notebook contenant un modèle de deep learning et des algorithmes. Le projet est structuré en plusieurs répertoires : le notebook principal, un répertoire contenant le jeu de données utilisé pour l'entraînement et les tests, un répertoire contenant les résultats d'évaluation et les métriques de performance, et un répertoire contenant l'application web.

Ce projet fournit des environnements globaux pour Jupyter, créés et gérés par l'opérateur GLiCID. Ils peuvent être activés par les utilisateurs pour accéder à des fonctionnalités et des packages spécifiques. Les noyaux Jupyter peuvent également être installés à partir de ces environnements globaux.

La plateforme X5GON Learning Analytics Machine (LAM) est capable de traiter des collections de ressources pédagogiques ouvertes (OER) en plusieurs langues. Elle fournit des analyses sur l'utilisation des ressources pédagogiques à travers différentes langues et cultures. L'API LAM de X5GON est une API Web Flask Python REST qui offre une documentation Swagger automatiquement générée pour tester les points de terminaison directement sur une belle page Web. Les points de terminaison permettent d'accéder et de récupérer les analyses de contenu effectuées sur les OER basées sur les modèles d'apprentissage automatique implémentés et testés sur le corpus X5gon composé de différentes OER collectées par le pipeline.

Ce projet est un classificateur automatique de données textuelles basé sur des modèles de langage (LLMs). Il permet de catégoriser et d'analyser le sens de texte brut pour faciliter le tri et le traitement de grandes quantités de données.

Atelier pratique de machine learning utilisant des données sismiques et lidar, basé sur le cours SPIN-SC3 de Leonard Seydoux et adapté pour NuTS 2023. Les notebooks sont pré-configurés dans un environnement JupyterHub dédié sur GLiCID.