Projet académique visant à concevoir et entraîner des modèles de deep learning pour la conduite autonome de véhicules. Utilise un simulateur 3D pour valider les performances des algorithmes avant leur déploiement potentiel sur des véhicules réels. Permet aux étudiants de tester et d'optimiser des solutions d'intelligence artificielle dans un cadre sécurisé et contrôlé.

Ce projet est un projet de deep learning implémenté en Python. Il consiste en un notebook contenant un modèle de deep learning et des algorithmes. Le projet est structuré en plusieurs répertoires : le notebook principal, un répertoire contenant le jeu de données utilisé pour l'entraînement et les tests, un répertoire contenant les résultats d'évaluation et les métriques de performance, et un répertoire contenant l'application web.

Ce projet est un environnement pédagogique dédié à l'apprentissage et à l'expérimentation des techniques d'apprentissage profond, notamment pour la vision par ordinateur. Il permet aux utilisateurs de tester et comparer différents modèles de réseaux de neurones convolutifs sur des jeux de données standardisés comme FashionMNIST. Le dépôt inclut des outils pour l'entraînement, le suivi des expériences et la visualisation des résultats, facilitant ainsi la compréhension des concepts clés en deep learning.

TensorFlow est un framework open source dédié à l'apprentissage automatique et au deep learning. Il permet aux développeurs et chercheurs de concevoir, entraîner et déployer des modèles d'intelligence artificielle pour résoudre des problèmes complexes. Utilisé dans divers domaines comme la vision par ordinateur, le traitement du langage naturel ou la robotique, il facilite la création d'applications innovantes en automatisant des processus analytiques et décisionnels.

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.

Projet de deep learning dédié à l'analyse automatisée d'images archéologiques pour identifier des traces de pigment bleu sur les murs du Temple d'Apollon à Delphes. Développé en collaboration avec Archeovision et dans le cadre d'un master universitaire, il combine traitement d'images, augmentation de données et entraînement de modèles UNet pour produire des rapports d'évaluation précis et des masques de segmentation.

Ce projet développe des modèles de deep learning pour analyser et prédire les risques liés aux installations industrielles. Il permet d'identifier des scénarios critiques et d'optimiser les processus de maintenance préventive. Les modèles sont entraînés sur des données historiques et des simulations pour améliorer la sécurité et la fiabilité des infrastructures.

Ce projet développe des outils pour segmenter automatiquement des gouttes et des cristaux de NaCl dans des images de microscopie. Il utilise des architectures de deep learning (UNet et Yolov8) entraînées sur des données réelles et simulées. Un simulateur numérique génère des images pour compléter les annotations manuelles limitées, permettant ainsi d'entraîner des modèles robustes pour des études physiques ou statistiques.

Malpolon est un framework open source conçu pour faciliter l'entraînement et le partage de modèles de distribution d'espèces en profondeur. Il permet aux utilisateurs, même non experts en deep learning ou PyTorch, de prédire la présence d'espèces végétales sur une zone géographique donnée en utilisant des données environnementales variées comme des rasters bioclimatiques, des images satellites ou des données d'usage des sols. Développé dans le cadre de projets européens, il simplifie l'intégration de différents types de covariables pour des modèles visuels profonds.

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.