Atelier pratique de machine learning utilisant des données sismiques et lidar, basé sur le cours SPIN-SC3 de Leonard Seydoux et adapté pour NuTS 2023. Les notebooks sont pré-configurés dans un environnement JupyterHub dédié sur GLiCID.

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.

Ce projet pédagogique propose un parcours complet pour initier les étudiants à l'intelligence artificielle et au machine learning. Il couvre les concepts fondamentaux, les algorithmes classiques et avancés, ainsi que des applications concrètes comme l'analyse de données de consommation électrique ou de pollution atmosphérique. Le contenu est structuré en cours, exercices pratiques et projets collaboratifs.

Ce dépôt contient des notebooks Python pour les exercices et solutions du cours `Machine Learning and Optimisation (M2-SGB)`. Il couvre les bases de Python, Pandas, la régression linéaire simple et multiple, ARIMA/SARIMA, et les classificateurs d'arbres de décision.

Ce projet propose une formation complète en apprentissage automatique appliqué aux sciences du climat et au secteur de l'énergie. Il combine des cours théoriques et des travaux pratiques sur des données réelles pour enseigner aux étudiants comment extraire des motifs pertinents, prédire des variables et optimiser des processus. Les cas concrets incluent l'analyse de données de capteurs pour améliorer l'efficacité énergétique des bâtiments ou l'exploitation de prévisions climatiques pour anticiper les tendances futures.

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 académique propose un parcours pédagogique complet pour initier les étudiants à l'intelligence artificielle et au machine learning. Il inclut des supports de cours, des notebooks interactifs et des exercices pratiques couvrant des sujets comme les régressions linéaires, les réseaux de neurones, les arbres de décision et les méthodes de régularisation. Destiné aux étudiants de l'Université Grenoble Alpes, il vise à renforcer leurs compétences en analyse de données et en modélisation prédictive.

Ce projet est un cours universitaire d'introduction au machine learning, conçu pour initier les étudiants aux concepts fondamentaux de l'intelligence artificielle. Il couvre les bases théoriques et pratiques nécessaires pour comprendre les algorithmes d'apprentissage automatique et leurs applications.