Causal Data Augmentation est une méthode simple de renforcement de l'apprentissage supervisé en intégrant des connaissances encodées dans un graphe causal. Elle est théoriquement bien fondée et peut être combinée avec presque tous les algorithmes d'apprentissage supervisé prenant en charge l'apprentissage par pondération des instances.

Bibliothèque expérimentale dédiée à l'implémentation de méthodes basées sur les forêts de Kirchhoff sur graphes. Elle propose des estimateurs pour des problèmes d'interpolation et de régularisation, notamment dans le cadre de la résolution de systèmes linéaires de grande échelle. Les algorithmes s'appuient sur des publications scientifiques récentes en traitement du signal et en apprentissage statistique.

Projet dédié à l'apprentissage et à l'expérimentation des algorithmes mathématiques et des techniques de rendu graphique. Il permet de calculer des suites numériques comme la factorielle ou la suite de Fibonacci, et de dessiner des formes géométriques (cercles, rectangles, lignes) ainsi que du texte à l'écran. Idéal pour les débutants en programmation graphique ou en algorithmie.

Projet dédié à la manipulation de calculs mathématiques et à la génération de formes graphiques. Il permet de tester des algorithmes comme la factorielle ou la suite de Fibonacci, de dessiner des points, lignes, cercles et rectangles, et de gérer des interactions basiques avec l'utilisateur via clavier et souris. Idéal pour l'apprentissage ou la démonstration de concepts algorithmiques.

Projet dédié à l'apprentissage et à l'expérimentation des algorithmes de calcul mathématique et des techniques de rendu graphique. Il permet de manipuler des fonctions récursives comme la factorielle ou la suite de Fibonacci, et de dessiner des formes basiques (cercles, rectangles, lignes) ainsi que du texte. Idéal pour l'enseignement ou la visualisation de concepts algorithmiques.

Projet dédié à la manipulation de calculs mathématiques et à la génération de graphiques simples. Il permet de tester des algorithmes comme la factorielle ou la suite de Fibonacci, de dessiner des formes géométriques (cercles, rectangles, lignes) et d'afficher du texte. Utilisé principalement pour l'apprentissage ou des démonstrations techniques.

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.

Projet dédié à l'apprentissage et à la démonstration de concepts algorithmiques et graphiques. Il permet de tester des fonctions mathématiques comme les factorielles ou les suites de Fibonacci, et de visualiser des formes géométriques simples. Le code inclut également des outils pour interagir avec des entrées utilisateur comme le clavier ou la souris.

Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner des agents autonomes capables de résoudre des tâches complexes. Il utilise des environnements de simulation pour tester et améliorer les performances des modèles, en générant des graphiques et des vidéos de démonstration. Les résultats sont analysés pour optimiser les paramètres et maximiser les récompenses cumulées.

Plateforme open source dédiée à l'analyse de données et à la modélisation prédictive. Elle permet aux utilisateurs de traiter de grands volumes de données, d'appliquer des algorithmes d'apprentissage automatique et de visualiser les résultats sous forme de graphiques ou de tableaux. Idéale pour les chercheurs, les data scientists et les entreprises souhaitant exploiter leurs données pour des prises de décision éclairées.