Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Institut national de physique nucléaire et de physique des particules
- OpenCV
- Projet dédié à l'intégration continue et aux tests automatisés pour le traitement des données du réseau de télescopes CTA (Cherenkov Telescope Array). Il permet de valider et convertir des données issues de simulations astrophysiques, en automatisant les pipelines de traitement pour garantir la qualité et la cohérence des résultats avant leur utilisation scientifique.
- Ce projet vise à préparer et structurer des données issues d'images satellites Pléiades pour des applications en intelligence artificielle. Il permet d'extraire des métadonnées (noms d'images, angles d'incidence, couverture nuageuse) et de générer des patchs aléatoires ou ciblés à partir des intersections entre images. Les données traitées servent ensuite à entraîner ou tester des modèles de vision par ordinateur, notamment des réseaux de neurones siamois.
- Ce projet propose des ressources pédagogiques pour découvrir et maîtriser les concepts fondamentaux du deep learning. Il inclut des notebooks interactifs couvrant les bases des réseaux de neurones, leur entraînement et leur évaluation. Les outils intégrés permettent de manipuler des jeux de données, de visualiser des résultats et de comprendre les mécanismes des modèles d'apprentissage automatique. Destiné aux étudiants et professionnels souhaitant se former à l'intelligence artificielle.
- GuitAstro est une bibliothèque Python dédiée à l'automatisation et à la gestion des observations astronomiques. Elle permet de contrôler des instruments comme les télescopes, d'acquérir et traiter des images célestes (soustraction de dark, flat, etc.), et de calculer des éphémérides pour planifier des observations. Elle intègre des outils pour l'analyse d'images, la conversion d'angles et de dates, ainsi que la génération de cartes célestes ou terrestres. Destinée aux astronomes amateurs et professionnels, elle simplifie la création de scripts pour des campagnes d'observation automatisées.
- Ce projet propose une formation complète pour découvrir le deep learning, un sous-domaine de l'intelligence artificielle. Il combine une partie théorique sur les fondements des réseaux de neurones avec un cas pratique concret de classification d'images. Destiné aux débutants comme aux passionnés, il permet d'acquérir des compétences pratiques via un notebook Jupyter interactif, tout en offrant une approche pédagogique accessible pour comprendre les mécanismes de l'apprentissage automatique.
- Jupytango est une interface interactive pour le contrôle et la visualisation de données issues de systèmes Tango, notamment utilisés dans des environnements industriels ou scientifiques. Il permet de surveiller en temps réel des attributs de dispositifs, d'afficher des graphiques dynamiques et de gérer des flux de données asynchrones via une intégration avec Jupyter et Bokeh. L'outil facilite l'analyse et le diagnostic des systèmes contrôlés.
- Ce projet propose des ressources pédagogiques pour apprendre les bases du machine learning et de l'intelligence artificielle. Il inclut des notebooks interactifs couvrant des concepts clés comme les réseaux de neurones, les algorithmes de classification et les techniques de traitement d'images. Destiné aux étudiants et professionnels souhaitant se former, il combine théorie et pratique via des exemples concrets et des exercices guidés.
- Ce projet propose une analyse comparative et une optimisation des hyperparamètres de sept architectures neuronales de pointe pour la segmentation du foie et des tumeurs hépatiques à partir d'images IRM avec contraste. Il permet aux chercheurs et professionnels de la santé d'évaluer et d'améliorer les performances des modèles d'intelligence artificielle dans ce domaine médical spécifique.
- Projet pédagogique dédié à l'expérimentation et à l'apprentissage des techniques de traitement d'images. Il propose des notebooks interactifs pour explorer des approches variées, comme le filtrage, la segmentation ou la reconnaissance d'objets. Destiné aux étudiants et enseignants, il facilite la compréhension pratique des concepts théoriques abordés en cours.
9 initiatives
10