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 propose une analyse multi-niveaux de l'utilisation des GPU dans les charges de travail d'entraînement en machine learning. Il compare les performances entre différents frameworks (TensorFlow, PyTorch) et outils de profilage (NVIDIA Nsight Compute). Les résultats sont présentés sous forme de figures et de rapports détaillés pour aider les chercheurs et ingénieurs à optimiser leurs modèles et infrastructures.

DeltaVinaXGB est un outil basé sur l'apprentissage automatique conçu pour évaluer et prédire les scores de liaison entre des protéines et des ligands. Il combine des méthodes de scoring traditionnelles avec des modèles de machine learning pour améliorer la précision des prédictions. Le projet permet également d'optimiser les conformations des ligands et d'analyser leur stabilité dans différents environnements, notamment en présence d'eau.

Ce projet propose une collection d'outils et d'applications dédiés au machine learning, conçus pour faciliter le développement, l'automatisation et l'optimisation de modèles d'intelligence artificielle. Il s'adresse aux chercheurs, ingénieurs et développeurs souhaitant accélérer leurs workflows ML avec des solutions modulaires et réutilisables.

Outil dédié à l'évaluation et à l'analyse des résultats produits par des modèles d'intelligence artificielle ou de machine learning. Permet aux data scientists et chercheurs de mesurer la précision, la robustesse et l'efficacité de leurs algorithmes, facilitant ainsi l'optimisation et la prise de décision basée sur des données fiables.

Ce dépôt de code héberge les exercices et solutions pour le cours de Machine Learning et Optimisation (M2-SGB). Il propose des notebooks Python accompagnés de données spécifiques à chaque exercice. Les étudiants y développent leurs propres modèles lors des séances pratiques, sous la supervision de l'enseignant.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour une variété de tâches, telles que la reconnaissance d'images, le traitement du langage naturel, la prédiction de séries temporelles et la détection d'anomalies. TensorFlow prend en charge une grande variété d'algorithmes d'apprentissage automatique, y compris les réseaux de neurones convolutifs, les réseaux de neurones récurrents et les algorithmes d'optimisation stochastique.

Ce projet propose des tutoriels et des implémentations pratiques pour l'exploration, la classification et l'analyse de graphes à l'aide de bibliothèques comme PyTorch et PyG. Il inclut des exemples concrets pour la classification d'images, la classification de nœuds et de graphes, ainsi que des guides pour optimiser les modèles de machine learning. Les ressources sont adaptées aux débutants comme aux experts.

GreenML est un outil permettant de calculer et d'analyser la consommation énergétique des algorithmes de machine learning. Il permet aux utilisateurs de comparer l'efficacité énergétique des différents modèles et algorithmes de machine learning, et d'optimiser leur consommation énergétique.

Ce projet développe une solution d'apprentissage fédéré pour optimiser les performances des réseaux 5G à grande échelle. Il permet à plusieurs clients (appareils ou serveurs) de collaborer pour entraîner un modèle de machine learning sans partager leurs données locales, améliorant ainsi la précision et l'efficacité des réseaux tout en préservant la confidentialité.