FastAI est un framework open-source de pointe pour le machine learning et le deep learning, conçu pour rendre l'apprentissage automatique plus accessible et efficace. Il offre des fonctionnalités avancées pour la création, l'entraînement et le déploiement de modèles de ML et DL, ainsi qu'une interface utilisateur intuitive pour faciliter le processus.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour une variété de tâches, telles que la reconnaissance d'images, le traitement du langage naturel, la prédiction de séries temporelles et la détection d'anomalies. TensorFlow prend en charge une grande variété d'algorithmes d'apprentissage automatique, y compris les réseaux de neurones convolutifs, les réseaux de neurones récurrents et les algorithmes d'optimisation stochastique.

Ce projet concerne le développement d'un outil d'apprentissage automatique basé sur le langage de programmation Python. Il s'appuie sur la bibliothèque scikit-learn pour offrir des fonctionnalités de préparation de données, de sélection et d'application d'algorithmes de machine learning, ainsi que d'évaluation des performances des modèles prédictifs.

Ce projet offre des fonctionnalités d'analyse d'images, de traitement de données scientifiques et de machine learning grâce à des outils tels que Matplotlib, NumPy, OpenCV, Pillow, SciPy, Torch, PyTorch, scikit-learn et TensorFlow. Il permet également de déployer des modèles d'apprentissage automatique via Flask et Gunicorn.

Ce projet rassemble des références pour divers domaines de l'apprentissage machine, y compris l'apprentissage statistique de base, le deep learning, l'apprentissage par renforcement, les modèles génératifs et le clustering.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour des tâches telles que la classification, les régressions, les réseaux neuronaux convolutionnels et les réseaux récurrents.

La plateforme X5GON Learning Analytics Machine (LAM) est capable de traiter des collections de ressources pédagogiques ouvertes (OER) en plusieurs langues. Elle fournit des analyses sur l'utilisation des ressources pédagogiques à travers différentes langues et cultures. L'API LAM de X5GON est une API Web Flask Python REST qui offre une documentation Swagger automatiquement générée pour tester les points de terminaison directement sur une belle page Web. Les points de terminaison permettent d'accéder et de récupérer les analyses de contenu effectuées sur les OER basées sur les modèles d'apprentissage automatique implémentés et testés sur le corpus X5gon composé de différentes OER collectées par le pipeline.

Atelier pratique de machine learning utilisant des données sismiques et lidar, basé sur le cours SPIN-SC3 de Leonard Seydoux et adapté pour NuTS 2023. Les notebooks sont pré-configurés dans un environnement JupyterHub dédié sur GLiCID.

Ce projet consiste en un ensemble d'algorithmes d'apprentissage automatique, y compris l'apprentissage supervisé (régression linéaire multiple, apprentissage par ensemble, réseaux de neurones) et l'apprentissage non supervisé (K-Means). Il est utilisé pour la désagrégation de l'énergie, permettant une analyse détaillée de la consommation d'énergie.

Ce projet est un modèle d'apprentissage profond capable de traiter des images et d'en extraire des informations utiles. Il utilise des algorithmes de deep learning pour détecter et classifier des formes, des objets ou des caractères spécifiques dans des images.