Tensorflow est une plateforme open-source dédiée au machine learning et à l'intelligence artificielle. Elle permet de concevoir, d'entraîner et de déployer des modèles de deep learning pour une variété de tâches, telles que la reconnaissance d'images, la traduction automatique ou la détection de fraude.

FastAI est un framework open-source de pointe pour le machine learning et le deep learning, conçu pour rendre l'apprentissage automatique plus accessible et efficace. Il offre des fonctionnalités avancées pour la création, l'entraînement et le déploiement de modèles de ML et DL, ainsi qu'une interface utilisateur intuitive pour faciliter le processus.

Le projet gpu-full est une plateforme dédiée à la recherche et à l'analyse de données. Il permet aux chercheurs et aux data scientists de développer et de déployer des modèles de machine learning, de visualiser et d'analyser des données en temps réel, et de gérer leurs projets de recherche. Grâce à une interface utilisateur intuitive et à des fonctionnalités avancées, il offre un environnement de travail complet et performant pour les chercheurs et les data scientists.

Ce projet offre des fonctionnalités d'analyse d'images, de traitement de données scientifiques et de machine learning grâce à des outils tels que Matplotlib, NumPy, OpenCV, Pillow, SciPy, Torch, PyTorch, scikit-learn et TensorFlow. Il permet également de déployer des modèles d'apprentissage automatique via Flask et Gunicorn.

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 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 consiste en un ensemble d'algorithmes d'apprentissage automatique, y compris l'apprentissage supervisé (régression linéaire multiple, apprentissage par ensemble, réseaux de neurones) et l'apprentissage non supervisé (K-Means). Il est utilisé pour la désagrégation de l'énergie, permettant une analyse détaillée de la consommation d'énergie.