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.

Projet open source dédié à l'exploration et à l'application de modèles d'apprentissage automatique pour résoudre des problèmes métiers variés. Il permet aux entreprises d'intégrer des solutions d'IA personnalisées pour améliorer leur efficacité opérationnelle, réduire les coûts et anticiper les tendances du marché grâce à des algorithmes avancés.

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.

Formation en machine learning pour l'initiation de chefs de projets sans connaissances préalables dans le domaine. Elle couvre des notions telles que la manipulation et la description des données, les algorithmes de machine learning, l'évaluation et la sélection de modèles, ainsi que l'introduction au deep learning. Les supports de cours et les codes sources des travaux pratiques sont partagés en open-source.

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.

Ce dépôt contient des notebooks Python pour les exercices et solutions du cours `Machine Learning and Optimisation (M2-SGB)`. Il couvre les bases de Python, Pandas, la régression linéaire simple et multiple, ARIMA/SARIMA, et les classificateurs d'arbres de décision.