Formation en langue française, alterne cours et travaux pratiques, prévue pour être suivie dans l'ordre, conçue pour initier au Deep Learning des chercheurs, ingénieurs d'études et développeurs, sans connaissance préalable du domaine.

Ce projet développe un outil d'analyse syntaxique avancé pour le français, permettant de transformer des phrases en Proof Nets, des structures logiques formelles utilisées en linguistique computationnelle. Il s'appuie sur des modèles de deep learning pour identifier et lier les composants syntaxiques d'une phrase, facilitant ainsi l'étude des relations entre les mots et leur rôle dans la structure de la phrase. L'objectif est de fournir une base solide pour des applications en traitement automatique du langage naturel et en linguistique théorique.

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.

Ce projet développe des outils pour segmenter automatiquement des gouttes et des cristaux de NaCl dans des images de microscopie. Il utilise des architectures de deep learning (UNet et Yolov8) entraînées sur des données réelles et simulées. Un simulateur numérique génère des images pour compléter les annotations manuelles limitées, permettant ainsi d'entraîner des modèles robustes pour des études physiques ou statistiques.

Melissa est un framework open source conçu pour optimiser les analyses de sensibilité et l'entraînement de modèles de deep learning à très grande échelle sur supercalculateurs. Il élimine le besoin de stocker des fichiers intermédiaires en traitant les données en transit, permettant ainsi de gérer des études impliquant des milliers de simulations parallèles sans surcharge de stockage. Le système coordonne des simulations numériques, des calculs statistiques et des entraînements de réseaux de neurones de manière efficace et résiliente.

Projet académique visant à concevoir et entraîner des modèles de deep learning pour la conduite autonome de véhicules. Utilise un simulateur 3D pour valider les performances des algorithmes avant leur déploiement potentiel sur des véhicules réels. Permet aux étudiants de tester et d'optimiser des solutions d'intelligence artificielle dans un cadre sécurisé et contrôlé.

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.

This project provides an introduction to deep learning concepts, with a focus on neural networks and machine learning algorithms. It aims to help users understand the fundamentals of these technologies and explore their potential applications.

Ce projet est une série de cours sur l'apprentissage automatique, basée sur le livre Deep Learning. Les cours couvrent des sujets tels que la régression linéaire, la régularisation, la réduction de dimensionnalité, le kernel trick et les réseaux de neurones. Les étudiants travaillent sur des jeux de données réels et implémentent des algorithmes d'apprentissage automatique à l'aide de Tensorflow et Scikit-learn.

Ce projet vise à développer et comparer des modèles de deep learning pour compter et analyser des foules dans des images. Il reproduit deux architectures populaires (MCNN et SS-DCNet) afin d'évaluer leur performance sur des données réelles comme le jeu de données ShanghaiTech. L'objectif est d'améliorer la gestion des foules lors d'événements publics ou de manifestations, en fournissant des outils précis pour le suivi et la planification des interventions.