Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Notoriété 45 %Cette formation open source, initialement créée par Météo-France, vise à initier des professionnels (chercheurs, ingénieurs, développeurs) au deep learning en deux jours. Elle combine cours théoriques et travaux pratiques concrets, couvrant des sujets comme les réseaux de neurones, Keras, le transfer learning et les architectures convolutionnelles. Les supports pédagogiques (slides, notebooks Jupyter) sont partagés librement pour permettre une réutilisation dans d'autres contextes que la météorologie.
- 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 des ressources pédagogiques et des tutoriels pratiques pour initier les participants à l'apprentissage profond et aux réseaux de neurones. Il s'adresse aux chercheurs, étudiants et professionnels souhaitant maîtriser les concepts de base du deep learning, notamment à travers des ateliers pratiques utilisant des GPU. Les contenus incluent des présentations, des notebooks interactifs et des références pour approfondir les connaissances.
- Ce projet académique vise à reproduire et comparer deux architectures de deep learning dédiées au comptage automatique de personnes dans des images. L'objectif est d'évaluer leur performance sur des jeux de données publics comme le ShanghaiTech, afin d'améliorer les techniques de gestion des foules et de surveillance urbaine. Les modèles analysés incluent le MCNN et le SS-DCNet, avec une approche basée sur la génération de cartes de densité et l'entraînement de réseaux de neurones convolutifs.
- Ce projet propose une introduction accessible aux concepts fondamentaux de l'apprentissage profond (deep learning). Il vise à familiariser les utilisateurs avec les réseaux de neurones artificiels, leurs architectures et leurs applications pratiques. Destiné aux débutants ou aux personnes souhaitant approfondir leurs connaissances en intelligence artificielle, il sert de ressource éducative pour comprendre les principes théoriques et les implémentations de base.
- 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.
- Notoriété 26 %Cette formation open source, initialement créée par Météo-France, vise à initier des professionnels sans expertise préalable en machine learning. Elle couvre les bases des algorithmes, l'évaluation de modèles, le deep learning et propose des travaux pratiques concrets. Adaptable à divers secteurs, elle inclut des supports de cours et des notebooks interactifs pour une approche pédagogique progressive.
- Ce projet propose une formation complète pour découvrir le deep learning, un sous-domaine de l'intelligence artificielle. Il combine une partie théorique sur les fondements des réseaux de neurones avec un cas pratique concret de classification d'images. Destiné aux débutants comme aux passionnés, il permet d'acquérir des compétences pratiques via un notebook Jupyter interactif, tout en offrant une approche pédagogique accessible pour comprendre les mécanismes de l'apprentissage automatique.
- Formation professionnelle organisée par le CNRS pour initier les informaticiens aux concepts et enjeux du machine learning et du deep learning. Destinée aux développeurs et aux administrateurs système, elle combine cours théoriques et travaux pratiques sur quatre jours. L'objectif est de fournir les bases nécessaires pour comprendre et appliquer ces technologies dans un contexte professionnel.
15 initiatives
10