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.

Formation en langue française, alterne cours et travaux pratiques, prévue pour être suivie dans l'ordre, conçue pour initier au Deep Learning des chercheurs, ingénieurs d'études et développeurs, sans connaissance préalable du domaine.

Ce dépôt contient une formation complète sur le deep learning, couvrant des sujets tels que l'analyse de données, la reconnaissance d'images, le traitement du langage naturel et l'apprentissage automatique. Il utilise des outils tels que TensorFlow, Scikit-Learn, Pandas et NumPy pour fournir une compréhension approfondie de ces concepts.

Ce projet est une formation au Deep Learning, co-organisée par le 3IA MIAI institute, le CNRS, via la Mission pour Transversal et Interdisciplinary Initiatives (MITI) et l'Université de Grenoble Alpes (UGA). Il vise à fournir une compréhension des bases des réseaux de neurones de Deep Learning, une première expérience à travers des exemples simples et représentatifs, une familiarisation avec les technologies Tensorflow/Keras et Jupyter lab, et une initiation aux environnements informatiques académiques Tier-2 ou Tier-1 avec des GPU puissants.

Ce projet est une introduction à l'apprentissage machine et au deep learning, comprenant des exemples de code et des notebooks. Il vise également à fournir une formation en ligne sur ces concepts.

Projet de démonstration et de formation à l'utilisation de StarDist, un outil de segmentation de noyaux cellulaires basé sur les réseaux de neurones, pour les biologistes sans expertise en deep learning. Le projet présente les limites des approches classiques de segmentation et les avantages de StarDist, ainsi que la manière de l'appliquer à des tâches de segmentation et d'évaluer les résultats.

Le projet Wildlife est un dépôt de données pour le Travaux Pratiques (TP) de VisionCNN de la formation High-Dimensional-Deep-Learning. Il fournit des jeux de données pour l'apprentissage profond et la reconnaissance d'images d'espèces animales.

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.

This project provides an introduction to deep learning concepts, with a focus on neural networks and machine learning algorithms. It aims to help users understand the fundamentals of these technologies and explore their potential applications.