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.

DeepPPI est un projet de recherche en bioinformatique utilisant l'apprentissage profond pour prédire les interactions entre protéines à partir de leurs séquences. Il propose des modèles basés sur des architectures PyTorch et Keras, permettant d'entraîner et d'évaluer des réseaux de neurones sur des jeux de données spécifiques. Les résultats peuvent être utilisés pour approfondir la compréhension des mécanismes biologiques fondamentaux.

Caffe est un framework open source dédié à l'apprentissage profond, spécialisé dans le traitement d'images et la vision par ordinateur. Il permet de concevoir, entraîner et déployer des modèles de réseaux de neurones convolutifs (CNN) pour des tâches comme la classification d'images, la détection d'objets ou la segmentation sémantique. Utilisé par des chercheurs et des entreprises, il offre une architecture modulaire et des performances optimisées pour accélérer les calculs.

Caffe est un framework open source dédié à la programmation d'algorithmes d'apprentissage profond. Il permet aux chercheurs et développeurs de concevoir, entraîner et déployer des modèles de réseaux de neurones pour des tâches comme la classification d'images, la reconnaissance visuelle ou le traitement du langage. Utilisé dans la recherche académique et industrielle, il offre des outils pour optimiser les performances et faciliter l'expérimentation en intelligence artificielle.

Ce projet développe des outils avancés pour la modélisation et la simulation de réseaux de neurones profonds. Il vise à faciliter la recherche en intelligence artificielle en offrant des solutions pour l'entraînement, l'optimisation et l'évaluation de modèles prédictifs complexes. Destiné principalement aux chercheurs et ingénieurs en IA, il permet d'explorer des architectures innovantes et d'accélérer le développement de solutions basées sur l'apprentissage automatique.

SCE est un framework dédié à l'apprentissage auto-supervisé pour les modèles de vision par ordinateur. Il permet d'entraîner des réseaux de neurones profonds sans nécessiter de données étiquetées, en utilisant des techniques de contraste pour améliorer la qualité des représentations apprises. Le projet propose des méthodes pour évaluer et comparer les performances des modèles sur diverses tâches de classification et de détection d'objets.

Ce projet développe des outils pour concevoir et entraîner des réseaux de neurones à valeurs complexes. Ces réseaux permettent de modéliser des phénomènes nécessitant une représentation mathématique avancée, comme les signaux analytiques ou les systèmes dynamiques non linéaires. L'objectif est d'offrir une solution flexible pour des applications en traitement du signal, en physique théorique ou en apprentissage profond où les nombres complexes apportent un avantage significatif par rapport aux approches classiques.

Ce projet utilise des méthodes d'apprentissage profond pour détecter automatiquement les lésions liées à la maladie de Crohn dans des images issues de vidéos d'endoscopie sans fil. Il permet d'entraîner des réseaux de neurones convolutifs (CNN) spécialisés, d'augmenter artificiellement les jeux de données d'images médicales, et d'évaluer les performances des modèles générés. L'objectif est d'assister les professionnels de santé dans le diagnostic et le suivi de cette pathologie.

Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner et tester des réseaux de neurones profonds. Il permet de simuler des agents intelligents dans des environnements virtuels, d'optimiser leurs politiques d'action et d'évaluer leurs performances. Les modèles générés peuvent être utilisés pour résoudre des problèmes complexes en robotique, jeux vidéo ou optimisation industrielle.

Ce projet permet d'évaluer automatiquement l'intelligibilité de la parole à partir d'enregistrements audio. Il utilise des embeddings de locuteurs (X-Vectors ou ECAPA_TDNN) pour entraîner un réseau de neurones peu profond. L'outil prédit des scores liés à la sévérité des troubles de la parole, la qualité vocale, la résonance, la prosodie et les distorsions phonémiques, facilitant ainsi le diagnostic ou l'amélioration des systèmes de reconnaissance vocale.