Ce projet académique vise à concevoir et entraîner des modèles de machine learning pour résoudre des problèmes complexes en analyse de données. Il s'appuie sur des jeux de données variés pour développer des algorithmes capables de prédire des tendances, classifier des informations ou optimiser des décisions. Destiné principalement aux chercheurs et étudiants, il facilite l'expérimentation et l'innovation dans le domaine de l'intelligence artificielle.

Ce projet développe des modèles d'apprentissage automatique pour résoudre des problèmes spécifiques dans divers secteurs. Il permet d'extraire des insights pertinents à partir de données brutes, d'automatiser des décisions et d'améliorer l'efficacité opérationnelle. Les solutions proposées sont adaptables à des besoins métiers variés, comme la maintenance prédictive, la recommandation personnalisée ou l'analyse prédictive.

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.

Ce projet propose une analyse multi-niveaux de l'utilisation des GPU dans les charges de travail d'entraînement en machine learning. Il compare les performances entre différents frameworks (TensorFlow, PyTorch) et outils de profilage (NVIDIA Nsight Compute). Les résultats sont présentés sous forme de figures et de rapports détaillés pour aider les chercheurs et ingénieurs à optimiser leurs modèles et infrastructures.

Csv-detective-ml est un outil en ligne de commande permettant d'analyser des fichiers CSV et de détecter automatiquement les types de données contenus dans chaque colonne. Cet outil est basé sur des algorithmes de machine learning et permet de nettoyer et de préparer rapidement des données en vue de leur utilisation dans des analyses ou des modèles prédictifs.

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.

Le projet gpu-full est une plateforme dédiée à la recherche et à l'analyse de données. Il permet aux chercheurs et aux data scientists de développer et de déployer des modèles de machine learning, de visualiser et d'analyser des données en temps réel, et de gérer leurs projets de recherche. Grâce à une interface utilisateur intuitive et à des fonctionnalités avancées, il offre un environnement de travail complet et performant pour les chercheurs et les data scientists.

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.

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.