Ce projet propose une formation d'introduction à l'apprentissage profond et à la bibliothèque PyTorch. Il met à disposition des notebooks Jupyter pour explorer des concepts fondamentaux comme la régression linéaire, les réseaux de neurones artificiels et l'optimisation de modèles. Destiné aux débutants, il inclut également des exercices pratiques et un bonus sur l'apprentissage par transfert.

Ce projet est un environnement pédagogique dédié à l'apprentissage et à l'expérimentation des techniques d'apprentissage profond, notamment pour la vision par ordinateur. Il permet aux utilisateurs de tester et comparer différents modèles de réseaux de neurones convolutifs sur des jeux de données standardisés comme FashionMNIST. Le dépôt inclut des outils pour l'entraînement, le suivi des expériences et la visualisation des résultats, facilitant ainsi la compréhension des concepts clés en deep learning.

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.

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.

Ce projet implémente une méthode de compression d'images 360 degrés en utilisant l'apprentissage sur la sphère. Les images équirectangulaires sont d'abord samplées selon une discrétisation HEALPix de la sphère, puis une structure de voisinage est créée pour chaque pixel. Deux architectures de réseau de neurones sont mises en œuvre pour la compression : Factorized prior et scale hyperprior.

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.

Le projet deepAsterix a pour objectif d'apprendre à utiliser des outils d'intelligence artificielle pour reconnaître si une photo représente Obelix ou Asterix. Il s'appuie sur la méthode du réseau neuronal convolutif (CNN) et consiste en la création de bases d'apprentissage à partir de vidéos et d'images de figurines imprimées en 3D représentant les deux personnages.

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.

Formation organisée par le CNRS pour les informaticiens souhaitant maîtriser les bases et enjeux du machine learning et du deep learning. Elle propose des cours théoriques, des travaux pratiques et des séminaires sur quatre jours, avec un focus sur l'apprentissage supervisé, les réseaux de neurones et l'exploitation des GPU. Destinée aux développeurs et aux chercheurs en informatique.

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.