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.

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.

Formation en machine learning pour l'initiation de chefs de projets sans connaissances préalables dans le domaine. Elle couvre des notions telles que la manipulation et la description des données, les algorithmes de machine learning, l'évaluation et la sélection de modèles, ainsi que l'introduction au deep learning. Les supports de cours et les codes sources des travaux pratiques sont partagés en open-source.

Projet de deep learning dédié à l'analyse automatisée d'images archéologiques pour identifier des traces de pigment bleu sur les murs du Temple d'Apollon à Delphes. Développé en collaboration avec Archeovision et dans le cadre d'un master universitaire, il combine traitement d'images, augmentation de données et entraînement de modèles UNet pour produire des rapports d'évaluation précis et des masques de segmentation.

Myria3D est une bibliothèque de deep learning conçue pour la segmentation multiclasse de grands nuages de points Lidar à haute densité. Elle implémente l'entraînement de réseaux de neurones de segmentation 3D avec des logiques de traitement et d'évaluation optimisées pour les données à l'échelle du lot. L'inférence sur des nuages de points inconnus à grande échelle est également prise en charge, ce qui permet d'évaluer la IoU sur l'ensemble du nuage de points, ce qui se traduit par une évaluation fiable du modèle.

Ce projet développe des outils pour analyser et caractériser les sources sismiques à partir de données GNSS en utilisant des modèles d'apprentissage profond. Il permet de générer des séries temporelles synthétiques, d'entraîner des modèles de deep learning et d'évaluer leur performance sur des données réelles et simulées.

Projet de master visant à appliquer des outils d'apprentissage profond (deep learning) pour résoudre un problème complexe de vision par ordinateur : la reconnaissance d'expressions mathématiques manuscrites. Il propose des méthodes pour analyser, segmenter et reconnaître des symboles mathématiques à partir de données manuscrites, avec des outils pour évaluer les performances des modèles développés.

Ithemal est un outil d'intelligence artificielle conçu pour prédire le nombre de cycles CPU nécessaires à l'exécution de blocs de code assembleur x86-64. Basé sur des modèles de deep learning, il permet aux développeurs et aux chercheurs d'évaluer rapidement la performance de leurs algorithmes sans avoir à les exécuter physiquement. L'outil est particulièrement utile pour l'optimisation de code bas niveau et l'analyse de performance matérielle.

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.