Ce projet propose une approche progressive pour optimiser les configurations de sources d'électrons générées par accélération laser-plasma. Il utilise des simulations numériques à faible fidélité pour explorer des paramètres physiques complexes, facilitant ainsi l'analyse des données et la reproductibilité scientifique. Les résultats permettent d'élargir les ensembles de données, d'entraîner des modèles d'apprentissage automatique et de comparer les résultats avec d'autres codes de simulation.

Projet dédié à la conception et à la simulation de perceptrons analogiques, une approche innovante en intelligence artificielle inspirée des mécanismes biologiques. Il permet d'explorer des architectures neuronales non numériques pour des applications en apprentissage automatique et en traitement de données. Le projet vise à offrir une plateforme flexible pour tester des modèles inspirés du fonctionnement cérébral, avec un accent sur l'analogique et la physique des systèmes.

ScimBa est un projet de recherche en apprentissage automatique et équations aux dérivées partielles. Il propose des outils pour construire et entraîner différents types de réseaux de neurones adaptés à la résolution d'équations aux dérivées partielles et à l'apprentissage de relations entre grandeurs physiques.

SympLearn est une bibliothèque Python dédiée à l'apprentissage automatique géométrique et à la simulation de systèmes dynamiques à long terme. Elle permet de modéliser des équations différentielles, d'entraîner des réseaux de neurones pour des problèmes géométriques, et de générer des trajectoires numériques précises. Utilisée dans des contextes scientifiques, elle facilite l'étude de phénomènes physiques comme les champs magnétiques ou les systèmes hamiltoniens.

Ce projet utilise l'apprentissage automatique pour reconstruire les sections efficaces totales de réactions neutron-noyau atomique à partir de données expérimentales partielles. Il vise à faciliter l'évaluation des réactions inélastiques (n,n'gamma) en physique nucléaire, où les mesures expérimentales sont limitées ou incomplètes. L'objectif est de fournir une méthode rapide et précise pour estimer les sections efficaces totales, en exploitant des modèles de régression entraînés sur des données théoriques générées par le logiciel Talys.

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.

Atelier pédagogique dédié à l'apprentissage automatique et à l'analyse de données. Il propose des tutoriels pratiques pour maîtriser les bibliothèques Python comme pandas et scikit-learn. Destiné aux débutants et aux professionnels souhaitant se former aux techniques de data science. Les participants peuvent exécuter des notebooks interactifs pour manipuler des jeux de données et construire des modèles prédictifs.

Ce projet concerne la Science des Données, l'Apprentissage Statistique et l'Intelligence Artificielle. Il propose des tutoriels sous forme de calepins (jupyter notebooks) en R ou Python pour l'acquisition de compétences dans ces domaines, en s'appuyant sur des scénarios d'analyse de données réelles. Les aspects théoriques (mathématiques, statistiques) sont approfondis grâce à des vignettes détaillées sur le site wikistat.fr.