Ce projet propose un guide de formation complet pour apprendre à utiliser le langage R, axé sur le recodage et l'analyse de données d'enquête. Il couvre l'importation de fichiers, les techniques de recodage, l'utilisation du package dplyr, la syntaxe avec les pipes (%>%), ainsi que les bases des statistiques descriptives. Destiné aux débutants comme aux utilisateurs intermédiaires, il inclut des exercices pratiques pour renforcer les apprentissages.

Ce projet de recherche vise à améliorer l'estimation de la sélectivité des prédicats spatiaux multidimensionnels en utilisant des retours d'optimiseurs. Il explore divers modèles d'apprentissage automatique (réseaux de neurones, modèles basés sur les arbres, etc.) pour optimiser les requêtes spatiales dans les bases de données. Les résultats sont comparés à des méthodes traditionnelles comme les histogrammes ou les R-Tree.

Le projet funcamp-r-icarius est un serious game basé sur un jeu de rôle populaire des années 90, dédié à l'apprentissage du langage R pour les débutants. Il fait partie du projet Funcamp R.

Ce projet développe une méthode innovante de rendu neuronal basé sur des points pour la synthèse de vues réalistes à partir de plusieurs images. Il combine des techniques de vision par ordinateur et d'apprentissage profond pour optimiser les propriétés des scènes 3D, améliorant ainsi la qualité et la vitesse de rendu par rapport aux méthodes existantes. Le système permet également des applications comme l'harmonisation et la stylisation de scènes multi-vues.

Ce projet développe une solution basée sur l'apprentissage profond pour localiser automatiquement les électrodes EEG dans des images IRM T1. Il permet de segmenter et d'extraire les coordonnées des électrodes détectées, facilitant ainsi l'analyse des données EEG-fMRI. Le système inclut des outils de post-traitement pour améliorer la précision des résultats et comparer les performances avec des méthodes existantes.

Ce projet propose une collection de ressources pédagogiques et d'outils numériques dédiés à l'enseignement et à l'apprentissage de la philosophie. Il inclut des checklists pour préparer les cours, des bases de données de sujets de dissertation et d'explications de texte, des outils d'aide à l'écriture, des modèles de documents, des frises chronologiques et des conseils de lecture. Destiné principalement aux enseignants et aux élèves, il facilite la méthodologie, la correction des copies et l'utilisation du numérique en philosophie.

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.

DeepPPI est un projet de recherche en bioinformatique utilisant l'apprentissage profond pour prédire les interactions entre protéines à partir de leurs séquences. Il propose des modèles basés sur des architectures PyTorch et Keras, permettant d'entraîner et d'évaluer des réseaux de neurones sur des jeux de données spécifiques. Les résultats peuvent être utilisés pour approfondir la compréhension des mécanismes biologiques fondamentaux.

Ce projet propose des ressources pédagogiques pour apprendre les bases de l'apprentissage profond et de l'intelligence artificielle. Il inclut des notebooks interactifs couvrant les concepts fondamentaux, les architectures de réseaux de neurones et des exemples pratiques. Destiné aux étudiants et professionnels souhaitant se former aux techniques modernes de machine learning.

Ce projet est une implémentation officielle de l'approche de concaténation pour la détection de vulnérabilités XSS statiques dans du code. Il représente le code source sur la base de la tokenisation de son contenu et est décrit dans le document de recherche suivant : Héloïse Maurel, Santiago Vidal et Tamara Rezk, 'code2vec: Apprentissage de représentations distribuées de code', POPL'2019.