Ce projet implémente une méthode de compression d'images 360 degrés en utilisant l'apprentissage sur la sphère. Les images équirectangulaires sont d'abord samplées selon une discrétisation HEALPix de la sphère, puis une structure de voisinage est créée pour chaque pixel. Deux architectures de réseau de neurones sont mises en œuvre pour la compression : Factorized prior et scale hyperprior.

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.

Le projet deepAsterix a pour objectif d'apprendre à utiliser des outils d'intelligence artificielle pour reconnaître si une photo représente Obelix ou Asterix. Il s'appuie sur la méthode du réseau neuronal convolutif (CNN) et consiste en la création de bases d'apprentissage à partir de vidéos et d'images de figurines imprimées en 3D représentant les deux personnages.

Ce projet vise à développer des algorithmes d'apprentissage de politiques multi-agents décentralisées pour les essaims de robots, en utilisant des réseaux de neurones graphiques (GNN). Il fournit des implémentations de deux algorithmes : Behavior Cloning et DAGGER imitation learning.

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.

OLT-C3D est une solution de reconnaissance de gestes 2D basée sur l'apprentissage profond, développée pour l'ICPR 2022. Il utilise des réseaux de neurones convolutifs 3D (C3D) et des techniques de décodage telles que CTC et SelectiveNet pour améliorer la précision et la robustesse de la reconnaissance de gestes.

Le projet neuromorphic-platform est une plateforme dédiée à la simulation et à la conception de systèmes neuromorphiques et de réseaux de neurones artificiels. Il permet aux chercheurs et aux professionnels de l'intelligence artificielle d'analyser des données biologiques et de développer des algorithmes d'apprentissage machine avancés.

Ce projet est une série de cours sur l'apprentissage automatique, basée sur le livre Deep Learning. Les cours couvrent des sujets tels que la régression linéaire, la régularisation, la réduction de dimensionnalité, le kernel trick et les réseaux de neurones. Les étudiants travaillent sur des jeux de données réels et implémentent des algorithmes d'apprentissage automatique à l'aide de Tensorflow et Scikit-learn.

Le modèle structural agnostique (SAM) est une méthode de découverte de causalité. Il utilise des indépendances conditionnelles et des asymétries de distribution pour trouver la structure causale sous-jacente à partir de données observationnelles. L'approche repose sur un jeu entre différents joueurs estimant chaque distribution de variable conditionnellement aux autres sous forme de réseau de neurones et un adversaire visant à discriminer les données générées contre les originales. L' critère d'apprentissage de SAM combine l'estimation de distribution, des contraintes de parcimonie et d'acyclicité pour optimiser la structure et les paramètres du graphe grâce à la descente de gradient stochastique.

Ce projet est un dépôt de code source pour la formation "Overview in AI" du 25 mai 2023. Il contient des notebooks Jupyter pour l'apprentissage de réseaux de neurones multi-couches et convolutifs, ainsi que pour le fine-tuning avec Visual Transformer de HuggingFace. Il y a également des slides de présentation et des informations de contact.