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 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.

Bibliothèque Python pour l'analyse de données 3D symétriques, utilisant la bibliothèque xarray. Conçue pour le traitement de données de corrélation d'images numériques et la simulation de déformation mécanique.

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.

Bam-ood est un projet d'analyse d'images basé sur des algorithmes d'apprentissage profond. Il permet de détecter des objets, de reconnaître des visages, de segmenter des images et de les classer.

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.

BioAutoMATED est une plateforme d'apprentissage automatique (AutoML) dédiée à l'analyse de séquences biologiques. Elle intègre plusieurs méthodes AutoML dans un cadre unifié, offrant aux utilisateurs des techniques pertinentes pour l'analyse, l'interprétation et la conception de séquences biologiques. BioAutoMATED permet de prédire la régulation des gènes, les interactions peptide-médicament et l'annotation des glycanes avec une performance comparable à celle de modèles manuellement ajustés, mettant en évidence les caractéristiques séquentielles saillantes. En automatisant la modélisation des séquences, BioAutoMATED permet aux scientifiques de la vie de plus facilement intégrer l'apprentissage machine dans leur travail.

Ce projet vise à fournir un catalogue de notebooks d'entrée de gamme pour la formation de professionnels de santé à la prédiction de la cirrhose du foie. Il offre une aide au diagnostic médical grâce à des algorithmes d'apprentissage automatique.

Ce projet concerne le développement d'un outil d'apprentissage automatique basé sur le langage de programmation Python. Il s'appuie sur la bibliothèque scikit-learn pour offrir des fonctionnalités de préparation de données, de sélection et d'application d'algorithmes de machine learning, ainsi que d'évaluation des performances des modèles prédictifs.

Ce projet est dédié au pré-traitement de jeux de données pour une utilisation dans l'apprentissage automatique. Il prend en entrée des fichiers CSV et effectue plusieurs tâches de pré-traitement, telles que le recodage de variables catégorielles, l'éclatement aléatoire des données et la mise à l'échelle des variables prédictives.