Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner et tester des réseaux de neurones profonds. Il permet de simuler des agents intelligents dans des environnements virtuels, d'optimiser leurs politiques d'action et d'évaluer leurs performances. Les modèles générés peuvent être utilisés pour résoudre des problèmes complexes en robotique, jeux vidéo ou optimisation industrielle.

Ce projet est un tutoriel pratique dédié à l'apprentissage des réseaux de neurones génératifs (GANs). Il guide les utilisateurs dans la création de modèles capables de générer des images synthétiques réalistes. À travers des exemples concrets et des explications détaillées, il permet de comprendre les principes fondamentaux des GANs et leurs applications potentielles dans divers domaines comme l'art, la synthèse d'images ou la recherche en intelligence artificielle.

Ce projet développe des modèles de réseaux de neurones dédiés à la correction de phase dans des systèmes optiques complexes, notamment pour des réseaux de lasers. Il permet de simuler des mesures, d'entraîner des algorithmes d'apprentissage automatique pour optimiser la qualité des faisceaux lumineux, et de générer des données synthétiques pour des applications en photonique. Les outils proposés facilitent la recherche et l'expérimentation dans le domaine de l'optique adaptative.

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.

Projet dédié à l'entraînement et à l'évaluation de modèles de classification d'images utilisant le jeu de données CIFAR-10. Il permet de configurer des environnements pour l'apprentissage automatique, d'entraîner des réseaux de neurones sur CPU ou GPU, et de tester les performances des modèles générés. Les scripts inclus facilitent l'exploration des données, l'entraînement et la validation des réseaux.

Projet open source développé par Météo-France pour entraîner des architectures de réseaux de neurones (GNN, CNN, Vision Transformers) sur des jeux de données de prévision météorologique. Permet de générer des prévisions précises en utilisant des stratégies d'apprentissage automatique avancées, des pertes personnalisées et des outils de suivi d'expériences pour comparer et valider les modèles.

SympLearn est une bibliothèque Python dédiée à l'apprentissage automatique géométrique et à la simulation de systèmes dynamiques à long terme. Elle permet de modéliser des équations différentielles, d'entraîner des réseaux de neurones pour des problèmes géométriques, et de générer des trajectoires numériques précises. Utilisée dans des contextes scientifiques, elle facilite l'étude de phénomènes physiques comme les champs magnétiques ou les systèmes hamiltoniens.

Ce projet utilise des méthodes d'apprentissage profond pour détecter automatiquement les lésions liées à la maladie de Crohn dans des images issues de vidéos d'endoscopie sans fil. Il permet d'entraîner des réseaux de neurones convolutifs (CNN) spécialisés, d'augmenter artificiellement les jeux de données d'images médicales, et d'évaluer les performances des modèles générés. L'objectif est d'assister les professionnels de santé dans le diagnostic et le suivi de cette pathologie.

Mixup est une méthode de augmentation de données générique et simple qui forme un réseau de neurones sur des combinaisons convexes de paires d'exemples et leurs étiquettes. Cela régularise le réseau de neurones pour favoriser un comportement simple et linéaire entre les exemples d'apprentissage.

SLT est un projet de traduction de la langue des signes en texte écrit et inversement. Il s'appuie sur des techniques de reconnaissance et de génération de vidéos de langue des signes, en utilisant des algorithmes d'apprentissage automatique et des réseaux neuronaux.