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 dépôt de code héberge les exercices et solutions pour le cours de Machine Learning et Optimisation (M2-SGB). Il propose des notebooks Python accompagnés de données spécifiques à chaque exercice. Les étudiants y développent leurs propres modèles lors des séances pratiques, sous la supervision de l'enseignant.

Ce projet est une plateforme pédagogique dédiée à l'enseignement des méthodes statistiques et de l'apprentissage automatique (machine learning) pour les étudiants en master. Il propose des supports de cours, des exercices pratiques sous forme de notebooks Jupyter, et des ressources pour explorer des concepts comme les modèles linéaires, les SVM, le clustering ou les réseaux de neurones. Les outils utilisés couvrent des bibliothèques Python majeures pour l'analyse de données et l'IA.

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 académique vise à concevoir et entraîner des modèles de machine learning pour résoudre des problèmes complexes en analyse de données. Il s'appuie sur des jeux de données variés pour développer des algorithmes capables de prédire des tendances, classifier des informations ou optimiser des décisions. Destiné principalement aux chercheurs et étudiants, il facilite l'expérimentation et l'innovation dans le domaine de l'intelligence artificielle.

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.

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.

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.