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.

Ce projet propose une évaluation comparative de méthodes d'apprentissage fédéré regroupées par clusters. Il permet d'analyser et de comparer les performances de différents modèles de machine learning dans un contexte distribué, en utilisant des jeux de données standardisés comme MNIST ou CIFAR-10. Les résultats sont visualisés sous forme de tableaux et de graphiques pour faciliter l'interprétation des métriques.

Geoarches est une bibliothèque open source développée par l'INRIA dédiée à la modélisation et à la prévision des données climatiques et météorologiques. Elle permet aux chercheurs et ingénieurs de construire, entraîner et évaluer des modèles de machine learning spécialisés dans l'analyse de données géospatiales complexes. Le projet facilite l'intégration de blocs fonctionnels dans des pipelines de recherche existants et propose des outils pour le téléchargement, le prétraitement et l'évaluation des données.

DeltaVinaXGB est un outil basé sur l'apprentissage automatique conçu pour évaluer et prédire les scores de liaison entre des protéines et des ligands. Il combine des méthodes de scoring traditionnelles avec des modèles de machine learning pour améliorer la précision des prédictions. Le projet permet également d'optimiser les conformations des ligands et d'analyser leur stabilité dans différents environnements, notamment en présence d'eau.

Projet dédié à la modélisation et à la simulation de données biophysiques pour l'agriculture et l'environnement. Il permet d'entraîner des modèles de machine learning (PROSAIL-VAE ou régression supervisée) pour analyser des images satellites et valider les résultats avec des données terrain. Le projet inclut également des outils pour générer des jeux de données synthétiques et évaluer les performances des modèles.

Outil dédié à l'évaluation et à l'analyse des résultats produits par des modèles d'intelligence artificielle ou de machine learning. Permet aux data scientists et chercheurs de mesurer la précision, la robustesse et l'efficacité de leurs algorithmes, facilitant ainsi l'optimisation et la prise de décision basée sur des données fiables.

Ce projet concerne le développement d'un outil d'apprentissage automatique basé sur le langage de programmation Python. Il s'appuie sur la bibliothèque scikit-learn pour offrir des fonctionnalités de préparation de données, de sélection et d'application d'algorithmes de machine learning, ainsi que d'évaluation des performances des modèles prédictifs.

Projet dédié à la création, l'entraînement et l'évaluation de modèles de machine learning pour la vision par ordinateur. Il permet de prédire des résultats à partir d'images en utilisant des architectures de réseaux de neurones comme U-Net. Le code est structuré pour faciliter l'entraînement, la sauvegarde et l'utilisation des modèles, avec des outils pour visualiser les performances et les prédictions.

Ce projet développe des outils pour classifier automatiquement les sujets des actualités diffusées à la radio ou à la télévision. Il permet d'analyser la représentation des biais de genre dans les médias en identifiant les thèmes abordés (politique, économie, sport, etc.). Le code source inclut des scripts d'évaluation, des modèles de machine learning (BERT et Mixtral) et des jeux de données annotés pour entraîner et tester ces modèles.

OGP est un projet dédié à la prédiction des sites de O-GlcNAcylation, une modification post-traductionnelle des protéines. Il fournit des jeux de données structurés, des scripts pour extraire des caractéristiques protéiques et des outils pour entraîner et tester des modèles de machine learning. Le projet inclut également une évaluation comparative des outils de prédiction existants.