Le projet funcamp-r-dock est une image Docker qui orchestre tous les packages nécessaires pour exécuter learnr, shinyAce et les tutoriels R Markdown. Il facilite l'apprentissage du langage de programmation R en fournissant des tutoriels interactifs, offre un environnement de développement pour les applications Shiny et héberge des notebooks R Markdown.

Le projet funcampR a pour objectif de déployer des notebooks R Shiny pré-rendus à partir de packages R ou de conteneurs Docker. Il permet de faciliter l'apprentissage de la programmation R, la création de visualisations de données et l'enseignement de la statistique.

Ce projet fournit des ressources pour l'apprentissage du langage de programmation R, y compris des PDF de présentation, des scripts avec exercices corrigés et un GuideLine pour les bonnes pratiques de codage.

Ce projet vise à fournir un environnement dédié à l'apprentissage de la programmation robotique, en permettant aux utilisateurs de contrôler des robots via des notebooks Jupyter. Les étudiants peuvent développer et tester différents algorithmes pour interagir avec les robots.

Ce guide vise à fournir des indications et des recommandations pour le développement d'applications sécurisées en utilisant le langage de programmation Rust. Il ne s'agit pas d'un cours sur la façon d'écrire des programmes Rust, il existe déjà de nombreuses bonnes ressources d'apprentissage à cette fin. L'objectif est plutôt de guider le programmeur et de l'informer des certaines fosses dans lesquelles il pourrait tomber, en particulier s'il est impliqué dans le développement d'applications avec des exigences de sécurité élevées. Ces recommandations complètent le niveau élevé de confiance que le langage Rust fournit déjà.

Ce projet propose une méthode pour résoudre efficacement le problème d'optimisation Language-Free Acq en fournissant un réseau de contraintes optimal et cohérent, le cas échéant. Implémenté en Python, le programme prend en entrée un jeu de données d'apprentissage et génère une instance Partiel Max-Sat correspondante au format standard wcnf.

VaryLaTeX est une solution basée sur la variabilité, la programmation par contraintes et les techniques d'apprentissage machine pour les documents écrits en LaTeX. Il permet aux utilisateurs d'annoter des fichiers sources LaTeX avec des informations de variabilité, telles que l'activation/désactivation de portions de texte, la modification de la taille des figures ou le réglage de l'espacement des lignes. Ensuite, une procédure entièrement automatisée apprend les contraintes entre les valeurs booléennes et numériques pour éviter les variantes de papier non acceptables, et enfin, les utilisateurs peuvent configurer davantage leurs papiers ou sélectionner une variante aléatoire qui respecte les contraintes, telles que les limites de pages.

Ce projet est une plateforme dédiée à l'apprentissage en ligne, plus particulièrement axée sur l'exercice de programmation. Les utilisateurs peuvent partager et consulter des dépôts de code source, collaborer entre eux et bénéficier d'un environnement dédié à l'apprentissage et à l'amélioration de leurs compétences en programmation.

Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.

MML-regression est un langage de programmation dédié à la régression multi-machines. Il permet de définir des modèles de régression, de configurer les algorithmes d'apprentissage, de spécifier les données d'entrée et de valider et évaluer les modèles.