Projet technique dédié à l'implémentation et à l'optimisation de simulations de réaction chimique (modèle Gray-Scott) sur GPU à l'aide de la technologie SYCL. Il propose des exemples pratiques pour maîtriser les transferts de données entre hôte et périphérique, ainsi que des comparatifs de performances entre différentes approches (buffers, USM partagé, USM dédié). Le projet sert de support pédagogique pour l'apprentissage des bonnes pratiques en programmation parallèle et GPU.

Ce projet vise à développer des modèles d'apprentissage par transfert pour classifier automatiquement les didascalies dans les textes de théâtre français. Il s'appuie sur des expérimentations menées dans le cadre d'une publication scientifique pour analyser et catégoriser les indications scéniques, facilitant ainsi l'étude des œuvres dramatiques par des méthodes computationnelles.

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 développe des modèles d'intelligence artificielle pour classifier des IRM cérébrales en distinguant des états comateux et non-comateux. Il compare les performances de plusieurs architectures de réseaux de neurones profonds (comme LeNet17) et applique des techniques de transfert d'apprentissage pour améliorer la précision des diagnostics. Les résultats sont utilisés pour soutenir la recherche médicale et l'analyse automatisée d'images médicales.

Ce projet est un template de dépôt pour les applications de la Mission Apprentissage. Il fournit une base technique pour créer des services numériques dédiés à la gestion des utilisateurs, l'envoi d'emails automatisés, et le traitement de données administratives. Il inclut des outils de sécurité, de monitoring et de conformité pour faciliter le déploiement de solutions fiables et sécurisées.

Projet académique dédié à l'apprentissage statistique appliqué à la détection de signaux faibles. Il met en œuvre des techniques de filtrage adapté pour analyser des signaux simulés (bruit blanc gaussien, bruit coloré) et des données réelles issues de l'observatoire LIGO. Les étudiants explorent les avantages et limites de ces méthodes tout en comparant les résultats avec des outils existants comme PyCBC.

Ce projet est une API permettant la gestion des utilisateurs, l'importation et le traitement de données provenant de différentes sources, ainsi que l'envoi et le suivi d'emails. Il interagit avec une base de données MongoDB pour le stockage et la récupération des données.

Espace de documentation de la mission interministérielle pour l'apprentissage, présentant l'objet, les finalités, l'équipe et l'écosystème d'intervention de la mission.