Ce projet utilise des techniques d'apprentissage automatique pour représenter et analyser les données de manière efficace. Il permet de former des modèles sur des données variées, telles que des images ou du texte, et de les utiliser pour différentes tâches, telles que la reconnaissance d'images ou le traitement du langage naturel.

SIDP est un outil permettant de former des modèles d'apprentissage automatique différentiellement privés tout en préservant une haute performance/précision. Il prend actuellement en charge les modèles LSTM, CNN et Linéaire.

NormAFE est un outil permettant de normaliser les messages de micro-blogs en arabe, français et anglais, en créant des dictionnaires de paires de mots mal orthographiés avec leur forme standard. Cet outil est basé sur une méthode d'apprentissage automatique non supervisée qui utilise des représentations de mots distribuées.

Ce projet utilise des algorithmes d'apprentissage automatique pour améliorer la prise en charge médicale. Il permet la prédiction de maladies, l'assistance au diagnostic médical et la recherche de corrélations épidémiologiques.

Ce dépôt contient une formation complète sur le deep learning, couvrant des sujets tels que l'analyse de données, la reconnaissance d'images, le traitement du langage naturel et l'apprentissage automatique. Il utilise des outils tels que TensorFlow, Scikit-Learn, Pandas et NumPy pour fournir une compréhension approfondie de ces concepts.

Le Catalogue des offres de formations en apprentissage permet de rendre accessible l'information sur les formations en apprentissage. Les offres de formations sont récupérées quotidiennement depuis un Web Service, vérifiées et enrichies, avant d'être soumises à un module de paramétrage pour l'éducation nationale et l'enseignement supérieur. Les instructeurs en académie sont ensuite sollicités pour valider les formations qui doivent alimenter Parcoursup et Affelnet, avant d'être importées automatiquement par les plateformes.

Ce projet, nommé benchds, est une collection de jeux de données utilisés pour l'analyse de données et l'apprentissage automatique. La plupart des jeux de données proviennent du dépôt UCI Machine Learning, tandis que d'autres ont été publiés par divers articles et documents de recherche. Les jeux de données sont fournis dans un format simple, avec les lignes représentant des exemples et les colonnes représentant des caractéristiques. Le dernier élément de chaque ligne est la variable cible ou l'étiquette de classification. Les valeurs des lignes sont séparées par un espace. Aucune valeur manquante n'est présente dans les jeux de données, car les lignes contenant au moins une valeur manquante ont été supprimées.

Ce projet est une plateforme de génération de contrats d'apprentissage, simplifiant les démarches administratives pour les entreprises et les centres de formation. Il permet de créer, gérer et dématérialiser les contrats d'apprentissage, en assurant la conformité réglementaire et la génération automatique des cerfas associés.

Dépôt de ressources pour l'école de recherche en machine learning, proposant des présentations et des documents pour une formation approfondie en statistiques et géométrie pour l'apprentissage automatique.

Ce projet est une formation en Python dédiée à l'analyse et la visualisation de données scientifiques. Il couvre des sujets tels que la manipulation de données avec NumPy et Pandas, la visualisation avec Matplotlib et Seaborn, l'analyse statistique avec Statsmodels, la modélisation et l'apprentissage automatique avec Scikit-learn.