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 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.

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).

Ressources pour les travaux pratiques du cours ModIA, couvrant divers aspects de l'apprentissage profond, tels que les réseaux de neurones supervisés, non supervisés et faiblement supervisés, avec des exemples concrets et des manipulations de librairies telles que keras, scikit-learn et numpy.

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 est un simulateur de réseaux neuronaux convolutifs à impulsions (CSNN) qui fournit une implémentation d'expériences décrites dans divers articles scientifiques. Il permet de réaliser un apprentissage automatique non supervisé et de détecter des caractéristiques visuelles grâce à l'adaptation de seuils temporels.