Le projet ML_bati_non-bâti est un exercice de classification automatique d'images utilisant des techniques d'intelligence artificielle. Il permet de déterminer la probabilité de présence de bâtiments sur des orthophotographies en utilisant l'apprentissage supervisé. Ce projet vise à présenter un cas concret d'utilisation des techniques d'intelligence artificielle dans une application métier.

Ce projet vise à dresser un état de l'art sur la sélection de variables dans le cadre de l'apprentissage automatique et du data mining, en se concentrant sur les approches supervisée, semi-supervisée et non-supervisée, ainsi que sur le traitement des données multi-labels avec étiquetage incertain. L'objectif est d'améliorer la performance des algorithmes d'apprentissage en nettoyant l'espace de description des données.

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.

Ce projet est dédié à l'apprentissage des méthodes d'exploration multidimensionnelle essentielles pour la préparation des données, telles que l'analyse en composantes principales, l'analyse discriminante linéaire, l'analyse de correspondance, la position multidimensionnelle, la factorisation non négative, etc. Il couvre également la classification non supervisée (clustering) à l'aide de k-moyennes, de l'analyse hiérarchique, de DBSCAN et de mélanges gaussiens.

NormAFE est un outil permettant de normaliser les messages de micro-blogs en arabe, français et anglais, en créant des dictionnaires de paires de mots mal orthographiés avec leur forme standard. Cet outil est basé sur une méthode d'apprentissage automatique non supervisée qui utilise des représentations de mots distribuées.

Ce projet implémente une méthode d'apprentissage automatique non supervisée pour le suivi de mouvements multiples dans des vidéos. Il utilise un réseau neuronal récurrent stochastique (SRNN) et un modèle d'autoencodeur variationnel dynamique (DVAE) pour prédire et suivre les trajectoires d'objets dans des scènes complexes.

Ce projet vise à démontrer l'efficacité de l'utilisation de WordNet pour l'entailement lexicale, une tâche d'évaluation sémantique entre deux mots ou expressions. Il propose une méthode non supervisée pour résoudre cette tâche, utilisant des techniques d'apprentissage automatique telles que Gensim, NLTK, NumPy, Pandas, scikit-learn, SciPy, Torch et Transformers.

Mangoes est un outil permettant de traiter des données textuelles, de calculer des co-occurrences et de générer des représentations de mots (word embeddings) à l'aide de méthodes d'apprentissage automatique non supervisées. Il propose également des méthodes d'évaluation statistique et intrinsèque ainsi que des outils de visualisation.

Le projet snn-pcn est une implémentation de réseaux de neurones spiking (SNN) pour la classification d'images. Il se compose de deux parties : une couche d'extraction de caractéristiques (CSNN) entraînée avec un apprentissage non supervisé de type STDP et une couche de classification (Readout) entraînée avec un apprentissage supervisé de type STDP. Le projet se concentre sur la couche de classification et introduit une règle d'apprentissage supervisé STDP ainsi qu'une architecture d'entraînement appelée Neurones Compétitifs Appariés (PCN).

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.