Ce projet propose une formation en apprentissage automatique appliquée aux sciences environnementales et au secteur énergétique. Il utilise des notebooks Python pour enseigner l'analyse de données climatiques et énergétiques, en combinant méthodes statistiques traditionnelles et techniques avancées de machine learning. Les étudiants apprennent à extraire des motifs pertinents, modéliser des relations entre variables et prédire des tendances pour prendre des décisions éclairées dans des contextes environnementaux concrets.

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.

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.

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 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.