Ce projet propose des ateliers pratiques et des notebooks pour former les participants à l'apprentissage profond. Il couvre des cas d'usage variés comme l'analyse de données médicales pour détecter le paludisme, la détection de fraudes financières, ou encore la reconnaissance de gestes en langage des signes. Les ressources sont conçues pour être utilisées dans un cadre académique ou de recherche, avec des jeux de données accessibles et des outils adaptés aux débutants comme aux experts.

Ce projet propose une introduction au Deep Learning à travers des ateliers pratiques et des formations destinées aux débutants. Il vise à démocratiser l'accès aux concepts clés de l'intelligence artificielle et à fournir des outils concrets pour démarrer dans ce domaine. Les participants explorent des cas d'usage simples et des projets guidés pour acquérir des compétences pratiques.

Ce projet est un projet de deep learning implémenté en Python. Il consiste en un notebook contenant un modèle de deep learning et des algorithmes. Le projet est structuré en plusieurs répertoires : le notebook principal, un répertoire contenant le jeu de données utilisé pour l'entraînement et les tests, un répertoire contenant les résultats d'évaluation et les métriques de performance, et un répertoire contenant l'application web.

Ce projet vise à développer et comparer des modèles de deep learning pour compter et analyser des foules dans des images. Il reproduit deux architectures populaires (MCNN et SS-DCNet) afin d'évaluer leur performance sur des données réelles comme le jeu de données ShanghaiTech. L'objectif est d'améliorer la gestion des foules lors d'événements publics ou de manifestations, en fournissant des outils précis pour le suivi et la planification des interventions.