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.

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 un support de cours pour l'enseignement de la régression et du scoring dans le cadre du cursus Polytech IG5/SIEF. Il contient des références et du contenu pédagogique sur les statistiques et le machine learning, ainsi que des exemples de programmation en R.

Ce projet est une plateforme pédagogique dédiée à l'enseignement du machine learning et de l'intelligence artificielle pour des étudiants en systèmes autonomes. Il propose des supports de cours, des exercices pratiques sous forme de notebooks Jupyter, et des ressources pour l'évaluation des compétences. Les étudiants y apprennent à manipuler des algorithmes d'apprentissage supervisé et non supervisé, ainsi que des réseaux de neurones.

Ce projet propose des environnements Docker préconfigurés pour la recherche et l'enseignement. Il inclut des machines dédiées au deep learning (PyTorch, Theano, Lasagne), au traitement d'images (ImageMagick, DGtal, OpenCV) et à des outils spécifiques comme CROHME. Chaque machine est conçue pour être facilement déployable et réutilisable, avec des instructions claires pour l'installation et l'exécution. Les utilisateurs peuvent adapter les environnements à leurs besoins en modifiant les fichiers Docker.

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 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 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.

Collection d'outils et de bibliothèques open source dédiés à l'apprentissage automatique et à l'intelligence artificielle. Permet aux développeurs et entreprises d'intégrer des modèles prédictifs, de traitement du langage naturel ou de vision par ordinateur dans leurs applications sans repartir de zéro. Facilite l'automatisation intelligente et l'extraction d'insights à partir de données massives.