Ce projet propose une formation d'introduction à l'apprentissage profond et à la bibliothèque PyTorch. Il met à disposition des notebooks Jupyter pour explorer des concepts fondamentaux comme la régression linéaire, les réseaux de neurones artificiels et l'optimisation de modèles. Destiné aux débutants, il inclut également des exercices pratiques et un bonus sur l'apprentissage par transfert.

Bibliothèque de modèles analytiques pour le calcul des déformations de surface dans un demi-espace élastique. La plupart des codes sont écrits en langage vectorisé Matlab/Octave, certains sont optimisés en C.

HYPO-MPC est un projet visant à optimiser les paramètres hyper d'un système de contrôle prédictif de modèle (MPC) à l'aide de l'algorithme NSGA-II. L'objectif est de trouver des valeurs optimales pour les paramètres MPC, tels que l'horizon de temps, le coefficient de vitesse et gamma, pour améliorer les performances du système de contrôle.

Projet académique visant à concevoir et entraîner des modèles de deep learning pour la conduite autonome de véhicules. Utilise un simulateur 3D pour valider les performances des algorithmes avant leur déploiement potentiel sur des véhicules réels. Permet aux étudiants de tester et d'optimiser des solutions d'intelligence artificielle dans un cadre sécurisé et contrôlé.

Formation interactive destinée aux équipes techniques et produit pour concevoir et déployer des solutions d'Intelligence Artificielle responsables, éco-conçues et frugales. Elle aborde les enjeux environnementaux, le cadrage des projets, la gestion des données, l'optimisation des modèles et infrastructures, ainsi que le pilotage de l'impact carbone. Inclut des arbres de décision interactifs, des cas pratiques et des ressources concrètes pour une approche durable.

Ce projet académique développe des outils pour manipuler des polyèdres en trois dimensions. Il permet de les représenter, les importer et exporter depuis des fichiers au format OBJ, et de les décomposer en composantes connexes pour une analyse structurelle. Les algorithmes implémentés facilitent l'étude des propriétés géométriques et topologiques des modèles 3D, avec une approche modulaire et optimisée pour la gestion dynamique de la mémoire.

Ce projet développe un modèle d'optimisation pour concevoir des réseaux de vélos en libre-service intégrés aux transports publics. Il détermine l'emplacement des stations, leur capacité et le nombre de vélos initiaux, afin de maximiser la couverture de la demande de mobilité, en tenant compte des contraintes budgétaires et opérationnelles. Les solutions sont évaluées via des indicateurs clés de performance et comparées à des scénarios de référence.

Ce projet développe un modèle d'optimisation pour concevoir des réseaux de vélos en libre-service intégrés aux transports publics. Il détermine l'emplacement des stations, leur capacité et le nombre de vélos initiaux, afin de maximiser la couverture de la demande de mobilité (trajets directs ou combinés avec les transports publics) sous contraintes budgétaires. Les résultats sont visualisés via une interface interactive et des notebooks analytiques.

Ce projet de recherche, mené par le CEA-List, étudie l'impact de la quantification 8 bits sur la robustesse des modèles de perception routière face à des conditions dégradées (flou, intempéries). Les résultats montrent que la quantification améliore la robustesse de certains modèles tout en réduisant leur taille et leur temps d'exécution, sans nécessiter de données corrompues lors de l'entraînement. Les applications visent l'optimisation des systèmes embarqués pour véhicules autonomes.

Ce projet développe un modèle de tarification dynamique pour les services de mobilité partagée, comme les vélos ou trottinettes en libre-service. Il permet d'ajuster les prix en temps réel pour équilibrer l'offre et la demande, réduisant ainsi les déséquilibres entre zones sous- et sur-utilisées. Le système s'appuie sur des données de transport en commun et de mobilité douce pour proposer des solutions optimisées aux opérateurs et collectivités.