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 au MLOps avec MLFlow pour acquérir les connaissances et les compétences nécessaires à la mise en œuvre de pratiques MLOps, en utilisant des outils tels que MLFlow. Exploration des aspects de la gestion du cycle de vie des modèles de machine learning, du développement à la production, à travers cinq chapitres.

Formation pour apprendre à utiliser ML Flow, un dashboard de monitoring d'expériences de Machine Learning. La formation s'appuie sur le jeu de données Iris et sur un extrait de MeteoNet.

Dépôt de ressources pour l'école de recherche en machine learning, proposant des présentations et des documents pour une formation approfondie en statistiques et géométrie pour l'apprentissage automatique.

Le projet TP-MLP est dédié à la reconnaissance de symboles mathématiques à partir d'images et de données au format InkML. Il permet de former des modèles de machine learning grâce à des notebooks Jupyter et des scripts Python. Le projet offre des outils utilitaires pour la conversion de fichiers InkML en images et la gestion de bases de données.

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.

Ce projet, nommé benchds, est une collection de jeux de données utilisés pour l'analyse de données et l'apprentissage automatique. La plupart des jeux de données proviennent du dépôt UCI Machine Learning, tandis que d'autres ont été publiés par divers articles et documents de recherche. Les jeux de données sont fournis dans un format simple, avec les lignes représentant des exemples et les colonnes représentant des caractéristiques. Le dernier élément de chaque ligne est la variable cible ou l'étiquette de classification. Les valeurs des lignes sont séparées par un espace. Aucune valeur manquante n'est présente dans les jeux de données, car les lignes contenant au moins une valeur manquante ont été supprimées.

Ce projet propose une API pour extraire des tableaux à partir de fichiers PDF. Il utilise des modèles de machine learning pour détecter les bordures des tables dans les documents et les récupérer au format CSV.

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.

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.