Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.

Ce projet fournit un environnement Jupyter Notebook simplifié pour OpenShift, permettant l'analyse et le traitement de données, ainsi que la visualisation et le machine learning grâce à une sélection de packages et bibliothèques Python.

Ce projet utilise un réseau de neurones pour approximer la fonction de Möbius, une fonction mathématique complexe qui retourne -1, 0 ou 1 en fonction de la divisibilité d'un entier. Il permet ainsi de mieux comprendre le comportement de cette fonction avec des nombres entiers.

Ce projet est un support de cours pour l'enseignement de la régression et du scoring dans le cadre du cursus Polytech IG5/SIEF. Il contient des références et du contenu pédagogique sur les statistiques et le machine learning, ainsi que des exemples de programmation en R.