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.

Ce projet développe des réseaux de neurones artificiels homogènes pour étudier et simuler des architectures neuronales complexes. Il vise à améliorer la compréhension des mécanismes d'apprentissage et d'adaptation dans les systèmes intelligents. Les applications potentielles incluent la robotique, l'analyse de données et la modélisation cognitive. Le code est open source et collaboratif, permettant aux chercheurs et développeurs d'expérimenter et de contribuer aux avancées en IA.

Fidle est une formation de 3 jours dédiée à l'introduction au Deep Learning, co-organisée par l'institut 3IA MIAI, le CNRS, la Mission pour les Initiatives Transverses et Interdisciplinaires (MITI) et l'Université Grenoble Alpes. Elle vise à fournir une compréhension des bases des réseaux de neurones, une première expérience pratique via des exemples concrets, et une maîtrise des technologies TensorFlow/Keras et Jupyter Lab. La formation s'appuie sur des supports pédagogiques variés, des notebooks interactifs et des jeux de données pour illustrer les concepts.

Ce projet propose une démonstration interactive et pédagogique de la rétropropagation du gradient dans les réseaux de neurones à propagation avant. Il permet de visualiser l'entraînement d'un perceptron multicouche sur des problèmes de classification binaire, avec des animations montrant l'évolution des poids et des frontières de décision. L'outil est conçu pour faciliter la compréhension des mécanismes d'apprentissage automatique en offrant une approche visuelle et pratique.

Plateforme web développée en collaboration avec l'ANITI et le CNRS-IRIT pour rendre accessibles des algorithmes d'explicabilité conçus par l'équipe de Joao Marques-Silva. Ces outils permettent d'interpréter les décisions prises par des modèles d'intelligence artificielle comme les arbres de décision, forêts aléatoires ou réseaux de neurones, facilitant ainsi la compréhension et la validation des modèles par les chercheurs et les professionnels.

Ce projet est une formation au Deep Learning, co-organisée par le 3IA MIAI institute, le CNRS, via la Mission pour Transversal et Interdisciplinary Initiatives (MITI) et l'Université de Grenoble Alpes (UGA). Il vise à fournir une compréhension des bases des réseaux de neurones de Deep Learning, une première expérience à travers des exemples simples et représentatifs, une familiarisation avec les technologies Tensorflow/Keras et Jupyter lab, et une initiation aux environnements informatiques académiques Tier-2 ou Tier-1 avec des GPU puissants.

Projet visant à automatiser la génération d'explications détaillées à partir de données ou de textes, en utilisant des réseaux de neurones. Il permet de transformer des informations brutes en contenus clairs et structurés, facilitant ainsi la compréhension et la diffusion de connaissances dans divers domaines comme la recherche, l'éducation ou l'industrie.

Ce projet propose une explication et une implémentation d'autoencodeurs, des réseaux de neurones utilisés en apprentissage automatique pour réduire la dimensionnalité des données tout en préservant leurs caractéristiques essentielles. Il vise à rendre ces modèles plus compréhensibles grâce à des exemples concrets et des analyses détaillées.