Ce projet est une série de cours sur l'apprentissage automatique, basée sur le livre Deep Learning. Les cours couvrent des sujets tels que la régression linéaire, la régularisation, la réduction de dimensionnalité, le kernel trick et les réseaux de neurones. Les étudiants travaillent sur des jeux de données réels et implémentent des algorithmes d'apprentissage automatique à l'aide de Tensorflow et Scikit-learn.

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.

Formation en machine learning pour l'initiation de chefs de projets sans connaissances préalables dans le domaine. Elle couvre des notions telles que la manipulation et la description des données, les algorithmes de machine learning, l'évaluation et la sélection de modèles, ainsi que l'introduction au deep learning. Les supports de cours et les codes sources des travaux pratiques sont partagés en open-source.

Formation en langue française, alterne cours et travaux pratiques, prévue pour être suivie dans l'ordre, conçue pour initier au Deep Learning des chercheurs, ingénieurs d'études et développeurs, sans connaissance préalable du domaine.

Ce projet est une collection de cours hébergés sur gitlab.inria, couvrant des sujets variés tels que la réalité virtuelle et augmentée, le deep learning, internet et la vie privée, la création de pages web, Unity, JavaScript, les outils pédagogiques en réalité augmentée et virtuelle, C Sharp, la cryptographie, l'informatique et sciences du numérique, et la sensibilisation à la programmation multimédia.

L'école AstroInfo 2023 est une formation intensive de deux semaines dédiée à l'astronomie et à l'intelligence artificielle. Elle propose des cours théoriques et pratiques sur l'analyse de données astronomiques, le machine learning, le MLOps et le deep learning. Destinée aux étudiants et professionnels, elle vise à renforcer les compétences en traitement de données scientifiques et en modélisation prédictive.

Ce projet propose un cours d'introduction au Machine Learning, sans aborder le Deep Learning. Il inclut des présentations théoriques et des exercices pratiques sous forme de notebooks Jupyter. Les participants apprennent à manipuler des bibliothèques Python comme pandas, numpy et sklearn pour résoudre des problèmes d'apprentissage automatique.

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.

This project provides an introduction to deep learning concepts, with a focus on neural networks and machine learning algorithms. It aims to help users understand the fundamentals of these technologies and explore their potential applications.

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.