Outil dédié à la visualisation et à l'analyse des filtres générés par des réseaux de neurones convolutifs (CNN). Permet aux chercheurs et développeurs en intelligence artificielle d'explorer les caractéristiques apprises par les modèles, d'évaluer leur performance sur différents jeux de données et d'optimiser les architectures de réseaux de neurones pour des applications variées.

SCE est un framework dédié à l'apprentissage auto-supervisé pour les modèles de vision par ordinateur. Il permet d'entraîner des réseaux de neurones profonds sans nécessiter de données étiquetées, en utilisant des techniques de contraste pour améliorer la qualité des représentations apprises. Le projet propose des méthodes pour évaluer et comparer les performances des modèles sur diverses tâches de classification et de détection d'objets.

Projet dédié à l'entraînement et à l'évaluation de modèles de classification d'images utilisant le jeu de données CIFAR-10. Il permet de configurer des environnements pour l'apprentissage automatique, d'entraîner des réseaux de neurones sur CPU ou GPU, et de tester les performances des modèles générés. Les scripts inclus facilitent l'exploration des données, l'entraînement et la validation des réseaux.

Ce projet utilise l'intelligence artificielle pour détecter automatiquement les lésions liées à la maladie de Crohn à partir d'images issues de vidéos de vidéocapsule endoscopique. Il permet d'analyser des examens médicaux, d'augmenter les jeux de données d'images pour améliorer la précision des modèles, et de fournir des métriques de performance pour évaluer l'efficacité des réseaux de neurones entraînés.

Ce projet utilise des méthodes d'apprentissage profond pour détecter automatiquement les lésions liées à la maladie de Crohn dans des images issues de vidéos d'endoscopie sans fil. Il permet d'entraîner des réseaux de neurones convolutifs (CNN) spécialisés, d'augmenter artificiellement les jeux de données d'images médicales, et d'évaluer les performances des modèles générés. L'objectif est d'assister les professionnels de santé dans le diagnostic et le suivi de cette pathologie.

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 algorithmes d'apprentissage par renforcement pour entraîner et tester des réseaux de neurones profonds. Il permet de simuler des agents intelligents dans des environnements virtuels, d'optimiser leurs politiques d'action et d'évaluer leurs performances. Les modèles générés peuvent être utilisés pour résoudre des problèmes complexes en robotique, jeux vidéo ou optimisation industrielle.

Projet dédié à l'évaluation et à la comparaison de modèles d'intelligence artificielle spécialisés dans l'analyse de données audio. Il permet de tester et classer différents algorithmes (réseaux de neurones, CatBoost, KNN, etc.) pour déterminer leur efficacité en termes de précision et de performance.