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 démonstration interactive des capacités de MLflow, un outil de gestion du cycle de vie des modèles de machine learning. Il permet de suivre, enregistrer et visualiser les expériences, métriques et artefacts générés lors de l'entraînement de modèles. Les utilisateurs peuvent explorer des exemples concrets pour comprendre comment MLflow facilite le développement et le déploiement de solutions d'intelligence artificielle.

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.

Ce projet propose une analyse multi-niveaux de l'utilisation des GPU dans les charges de travail d'entraînement en machine learning. Il compare les performances entre différents frameworks (TensorFlow, PyTorch) et outils de profilage (NVIDIA Nsight Compute). Les résultats sont présentés sous forme de figures et de rapports détaillés pour aider les chercheurs et ingénieurs à optimiser leurs modèles et infrastructures.

Geoarches est une bibliothèque open source développée par l'INRIA dédiée à la modélisation et à la prévision des données climatiques et météorologiques. Elle permet aux chercheurs et ingénieurs de construire, entraîner et évaluer des modèles de machine learning spécialisés dans l'analyse de données géospatiales complexes. Le projet facilite l'intégration de blocs fonctionnels dans des pipelines de recherche existants et propose des outils pour le téléchargement, le prétraitement et l'évaluation des données.

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.

Projet dédié à la modélisation et à la simulation de données biophysiques pour l'agriculture et l'environnement. Il permet d'entraîner des modèles de machine learning (PROSAIL-VAE ou régression supervisée) pour analyser des images satellites et valider les résultats avec des données terrain. Le projet inclut également des outils pour générer des jeux de données synthétiques et évaluer les performances des modèles.

Projet dédié à la création, l'entraînement et l'évaluation de modèles de machine learning pour la vision par ordinateur. Il permet de prédire des résultats à partir d'images en utilisant des architectures de réseaux de neurones comme U-Net. Le code est structuré pour faciliter l'entraînement, la sauvegarde et l'utilisation des modèles, avec des outils pour visualiser les performances et les prédictions.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour une variété de tâches, telles que la reconnaissance d'images, le traitement du langage naturel, la prédiction de séries temporelles et la détection d'anomalies. TensorFlow prend en charge une grande variété d'algorithmes d'apprentissage automatique, y compris les réseaux de neurones convolutifs, les réseaux de neurones récurrents et les algorithmes d'optimisation stochastique.

Ce projet développe des outils pour classifier automatiquement les sujets des actualités diffusées à la radio ou à la télévision. Il permet d'analyser la représentation des biais de genre dans les médias en identifiant les thèmes abordés (politique, économie, sport, etc.). Le code source inclut des scripts d'évaluation, des modèles de machine learning (BERT et Mixtral) et des jeux de données annotés pour entraîner et tester ces modèles.