N2D2 est le framework CAD de CEA LIST pour la conception et la simulation de réseaux neuronaux profonds (DNN), ainsi que la construction d'applications DNN complètes sur plateformes embarquées. Il est développé en collaboration avec des partenaires industriels et académiques et est open source.

Le projet sshproxy permet de proxifier et de gérer les connexions SSH sur une passerelle. Il facilite l'accès sécurisé à des ressources distantes en simplifiant la configuration et l'administration des connexions SSH.

Pcocc permet aux utilisateurs d'un cluster HPC de déployer des clusters de VM sur des nœuds de calcul, en parallèle des travaux batch. Cela permet aux utilisateurs de personnaliser leur environnement logiciel pour le développement, les tests ou le déploiement d'applications. Les nœuds de calcul restent gérés par le planificateur batch, car les clusters de VM sont considérés comme des travaux batch.

Ce projet concerne l'amélioration de l'apprentissage automatique à partir de quelques exemples grâce à la théorie de la métarépresentation multi-tâche. Il s'agit du code officiel de l'article accepté à ECCV 2022 intitulé "Improving Few-Shot Learning through Multi-task Representation Learning Theory".

Ce dépôt contient des outils pour annoter et interroger des données collectées dans le cadre d'une étude sur les discours autour de ChatGPT et de l'IA.

Projet composé d'un squelette pour un travail pratique en langage Go avec le framework GIN, incluant des fonctionnalités de gestion et d'affichage d'informations sur des concerts.

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.

Le projet cephfs-foldersize-exporter est un exporter Prometheus permettant de surveiller la taille des dossiers dans CephFS. Il fournit des métriques détaillées sur les dossiers, facilitant ainsi la gestion de l'espace de stockage et l'optimisation des performances.

Ce projet est un plugin pour le logiciel d'analyse d'images biologiques Icy, qui intègre la bibliothèque DeepLearning4J. Il permet d'effectuer des analyses d'images avancées grâce à l'apprentissage profond, telles que la segmentation d'images et la reconnaissance de formes biologiques.

Ce projet est un projet de deep learning implémenté en Python. Il consiste en un notebook contenant un modèle de deep learning et des algorithmes. Le projet est structuré en plusieurs répertoires : le notebook principal, un répertoire contenant le jeu de données utilisé pour l'entraînement et les tests, un répertoire contenant les résultats d'évaluation et les métriques de performance, et un répertoire contenant l'application web.