Ce projet a pour but de fournir des outils d'apprentissage automatique pour les systèmes autonomes. Il inclut des algorithmes de régression, de classification, de clustering et de réduction de dimensionnalité.

Ce projet utilise des algorithmes d'apprentissage automatique pour améliorer la prise en charge médicale. Il permet la prédiction de maladies, l'assistance au diagnostic médical et la recherche de corrélations épidémiologiques.

Le projet asao_ia vise à améliorer la sécurité des personnes âgées en analysant leurs interactions et en détectant les situations à risque. Il utilise des algorithmes d'intelligence artificielle pour prédire les comportements à risque et recommander des actions préventives.

Ce projet contient des notebooks et des scripts pour tester un environnement Tensorflow/Keras, avec des tests de classification d'images monochromes à l'aide d'un CNN. Les données de test sont fournies et le projet prend en charge l'utilisation de GPU pour accélérer les tests.

Outil permettant de lancer automatiquement des benchmarks de consommation et de performance sur des algorithmes et jeux de données variés, en utilisant les travaux du groupe GreenML.

This project involves the development of a machine learning model for classifying bird species based on audio recordings. The project includes the optimization of the model for embedded devices and the creation of a system for recording real-time audio. The project also involves the use of the Edge Impulse platform for training and deploying the model.

Le projet mnist est un exemple d'utilisation de TensorFlow et Keras pour la reconnaissance de chiffres écrits à la main dans des images. Il démontre comment un modèle de machine learning peut être entraîné pour classer des formes et des nombres, ce qui peut être utile dans de nombreux cas d'utilisation métiers.

GreenML est un outil permettant de calculer et d'analyser la consommation énergétique des algorithmes de machine learning. Il permet aux utilisateurs de comparer l'efficacité énergétique des différents modèles et algorithmes de machine learning, et d'optimiser leur consommation énergétique.

Ce projet implémente et présente les résultats d'expériences menées dans notre article 'Surveillance personnalisable de réseaux de neurones à l'aide de boîtes de résolution'. Il permet de générer et de tester des moniteurs pour un réseau spécifié avec des données et des paramètres de couche prédéfinis.