Ce projet vise à développer des techniques de prévision de prix de l'électricité pour le marché portugais, en utilisant des méthodes statistiques, de Machine Learning et de Deep Learning. Il s'appuie sur une analyse approfondie de la littérature existante et sur l'utilisation d'un jeu de données unique pour surmonter les limites des études précédentes.

DogeIA est un projet d'intelligence artificielle permettant d'assister les utilisateurs dans leur prise de décision en analysant et en traitant des données complexes. Il est également capable de reconnaitre des images et de les classer selon des critères prédéfinis.

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.

Ressources pour les travaux pratiques du cours ModIA, couvrant divers aspects de l'apprentissage profond, tels que les réseaux de neurones supervisés, non supervisés et faiblement supervisés, avec des exemples concrets et des manipulations de librairies telles que keras, scikit-learn et numpy.

Ce projet contient des notebooks et des scripts pour tester un environnement Tensorflow/Keras, avec des tests de classification d'images monochromes à l'aide d'un CNN. Les données de test sont fournies et le projet prend en charge l'utilisation de GPU pour accélérer les tests.

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.

DeepSTR est un projet d'analyse et de prédiction de l'impact fonctionnel des variations du génome, en particulier les variations répétitives (STR). Il inclut des algorithmes de machine learning et de fouille de données pour détecter des motifs dans les séquences d'ADN et prédire leur impact sur la régulation génique.

Le projet efe-rnn est un outil d'analyse de données utilisant des réseaux de neurones récurrents (RNN) pour effectuer des prédictions et des analyses de séries temporelles. Il permet aux utilisateurs de modéliser des phénomènes complexes et d'identifier des tendances dans les données, ce qui en fait un outil précieux pour les professionnels de la finance, de la météorologie, de la physique et d'autres domaines.

Le projet ITNI est dédié à l'indexation, la classification et la recherche d'images. Il permet d'analyser et d'organiser des collections d'images, facilitant ainsi leur gestion et leur réutilisation.