Hydronaut est un framework pour l'exploration de l'espace des hyperparamètres à l'aide de Hydra et MLflow. Il encourage et facilite l'utilisation de ces outils en gérant leur complexité respective, permettant ainsi aux utilisateurs de se concentrer sur le développement de leurs modèles.

Le projet mlflow-extra fournit des commandes complémentaires pour l'interface de ligne de commande mlflow, offrant des fonctionnalités telles que le filtrage de runs dans une expérience basé sur des valeurs seuils de métriques ou le nombre total de runs à conserver, la correction d'URI d'artéfacts dans des métadonnées d'expériences et de runs, et la fusion d'expériences à partir de plusieurs répertoires mlruns dans un répertoire commun.

Ce projet utilise des techniques de machine learning pour prédire la perméabilité du barrière cérébro-spinale des composés chimiques. Il s'appuie sur la Blood-Brain Barrier Database et le logiciel cheminformatique open-source RDKit pour calculer les caractéristiques des composés. Le projet est basé sur les frameworks Molpred, Hydronaut et Chemfeat, qui offrent une gestion avancée des hyperparamètres, une exploration et une optimisation, ainsi qu'une génération facile de vecteurs de caractéristiques.

Projet d'analyse de données scientifiques utilisant l'apprentissage profond pour la reconnaissance d'images. Il permet de suivre l'entraînement des modèles et de comparer leurs performances. Le projet est basé sur Python et utilise des bibliothèques telles que Pandas, PyTorch, TensorFlow, et MLflow.

Causal Data Augmentation est une méthode simple de renforcement de l'apprentissage supervisé en intégrant des connaissances encodées dans un graphe causal. Elle est théoriquement bien fondée et peut être combinée avec presque tous les algorithmes d'apprentissage supervisé prenant en charge l'apprentissage par pondération des instances.