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.

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.

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 offre toutes les fonctionnalités nécessaires pour déployer le modèle de classification APE (Activité Principale Exercée) en utilisant FastAPI et MLflow. Il permet d'exposer le modèle en tant qu'API, facilitant ainsi son intégration dans diverses applications et services.

Ce projet permet d'analyser des images satellites grâce à des algorithmes d'intelligence artificielle. Il est capable de détecter des anomalies et de surveiller des zones géographiques spécifiques.

Ce projet vise à former des modèles de segmentation d'images satellites pour la détection d'objets tels que les bâtiments, les routes et les zones agricoles. Il utilise des données géospatiales pour fournir des informations exploitables pour la gestion des ressources naturelles et la surveillance environnementale.