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 organisée par le CNRS pour les informaticiens souhaitant maîtriser les bases et enjeux du machine learning et du deep learning. Elle propose des cours théoriques, des travaux pratiques et des séminaires sur quatre jours, avec un focus sur l'apprentissage supervisé, les réseaux de neurones et l'exploitation des GPU. Destinée aux développeurs et aux chercheurs en informatique.

Ce projet propose une formation complète en apprentissage automatique appliqué aux sciences du climat et au secteur de l'énergie. Il combine des cours théoriques et des travaux pratiques sur des données réelles pour enseigner aux étudiants comment extraire des motifs pertinents, prédire des variables et optimiser des processus. Les cas concrets incluent l'analyse de données de capteurs pour améliorer l'efficacité énergétique des bâtiments ou l'exploitation de prévisions climatiques pour anticiper les tendances futures.

Ce projet propose une formation en apprentissage automatique appliquée aux sciences environnementales et au secteur énergétique. Il utilise des notebooks Python pour enseigner l'analyse de données climatiques et énergétiques, en combinant méthodes statistiques traditionnelles et techniques avancées de machine learning. Les étudiants apprennent à extraire des motifs pertinents, modéliser des relations entre variables et prédire des tendances pour prendre des décisions éclairées dans des contextes environnementaux concrets.

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.

Ce projet propose une formation complète sur les outils et bibliothèques Python dédiés à l'intelligence artificielle et au deep learning. Il couvre notamment l'utilisation de PyTorch pour la création de modèles, ainsi que des techniques de visualisation de données avec Matplotlib. Destiné aux développeurs et chercheurs, il permet d'acquérir des compétences pratiques en machine learning.

Ce projet fournit une recette Singularity pour construire un conteneur Docker basé sur CentOS 6, optimisé pour exécuter TensorFlow. Il facilite le déploiement d'environnements reproductibles dédiés au machine learning, en encapsulant toutes les dépendances nécessaires dans un format portable et isolé. Idéal pour les chercheurs et développeurs souhaitant standardiser leurs environnements de travail sans se soucier des conflits de versions ou des configurations système complexes.

L'école AstroInfo 2023 est une formation intensive de deux semaines dédiée à l'astronomie et à l'intelligence artificielle. Elle propose des cours théoriques et pratiques sur l'analyse de données astronomiques, le machine learning, le MLOps et le deep learning. Destinée aux étudiants et professionnels, elle vise à renforcer les compétences en traitement de données scientifiques et en modélisation prédictive.

L'école AstroInfo 2021 est un événement éducatif dédié à l'astro-informatique, proposant des formations intensives en machine learning, deep learning et astro computing. Elle s'adresse aux étudiants et professionnels souhaitant approfondir leurs connaissances en intelligence artificielle appliquée à l'astronomie. L'événement inclut des sessions théoriques et pratiques, ainsi qu'un hackathon pour mettre en application les concepts appris.