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.

Ground Control est une application dédiée à la gestion et à l'annotation de corpus audio et vidéo. Elle permet aux utilisateurs de structurer des médias, d'allouer des tâches d'annotation à des intervenants, et de générer des données de vérité terrain pour des projets de machine learning. L'outil synchronise l'accès aux médias avec les transcriptions et propose des interfaces dédiées pour segmenter et catégoriser les contenus. Développée par l'INA et soutenue par la BPI dans le cadre du projet ArGiMi, elle s'intègre dans des workflows de traitement automatisé de contenus audiovisuels.

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 consiste en un dépôt de code source contenant des instructions pour créer une image Docker de MLFlow, un outil de suivi et de gestion du cycle de vie des modèles de machine learning. Il est basé sur l'image python-minimal de Onyxia's catalog.

Ce projet utilise des techniques de machine learning pour prédire la perméabilité du barrière cérébro-spinale des composés chimiques. Il s'appuie sur la Blood-Brain Barrier Database et le logiciel cheminformatique open-source RDKit pour calculer les caractéristiques des composés. Le projet est basé sur les frameworks Molpred, Hydronaut et Chemfeat, qui offrent une gestion avancée des hyperparamètres, une exploration et une optimisation, ainsi qu'une génération facile de vecteurs de caractéristiques.

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.

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.

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.

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.