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 projet est un modèle de départ pour les initiatives en deep learning et machine learning. Il permet de structurer rapidement un nouveau projet de recherche ou d'application en IA en fournissant une architecture de base, des dépendances préconfigurées et des exemples concrets comme le jeu de données MNIST. L'objectif est d'assurer la reproductibilité et l'extensibilité des travaux en facilitant leur organisation et leur partage.

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 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.

Fidle est une formation de 3 jours dédiée à l'introduction au Deep Learning, co-organisée par l'institut 3IA MIAI, le CNRS, la Mission pour les Initiatives Transverses et Interdisciplinaires (MITI) et l'Université Grenoble Alpes. Elle vise à fournir une compréhension des bases des réseaux de neurones, une première expérience pratique via des exemples concrets, et une maîtrise des technologies TensorFlow/Keras et Jupyter Lab. La formation s'appuie sur des supports pédagogiques variés, des notebooks interactifs et des jeux de données pour illustrer les concepts.

Ce projet propose une formation complète pour découvrir le Deep Learning, un sous-domaine de l'intelligence artificielle. Destiné aux débutants comme aux passionnés, il combine théorie et pratique à travers des exercices de classification d'images. Les participants apprennent les fondamentaux des réseaux de neurones et appliquent ces concepts via un cas pratique accessible via Google Colab. Le projet inclut également des ressources pédagogiques et un sondage pour recueillir les retours des utilisateurs.

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.

Ce projet propose des ateliers pratiques et des notebooks pour former les participants à l'apprentissage profond. Il couvre des cas d'usage variés comme l'analyse de données médicales pour détecter le paludisme, la détection de fraudes financières, ou encore la reconnaissance de gestes en langage des signes. Les ressources sont conçues pour être utilisées dans un cadre académique ou de recherche, avec des jeux de données accessibles et des outils adaptés aux débutants comme aux experts.

Le projet eds-pseudo est un outil de détection et de pseudonymisation d'entités nominatives dans des documents, initialement développé pour les rapports cliniques du système d'information de santé de l'AP-HP. Il repose sur une combinaison de règles et de modèles de deep learning, et permet de détecter des adresses, dates, noms, prénoms, numéros de sécurité sociale, etc.