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.

Caffe est un framework open source dédié à l'apprentissage profond, spécialisé dans le traitement d'images et la vision par ordinateur. Il permet de concevoir, entraîner et déployer des modèles de réseaux de neurones convolutifs (CNN) pour des tâches comme la classification d'images, la détection d'objets ou la segmentation sémantique. Utilisé par des chercheurs et des entreprises, il offre une architecture modulaire et des performances optimisées pour accélérer les calculs.

Ce projet développe des méthodes pour compresser progressivement les couches de réseaux de neurones convolutifs à impulsions, réduisant leur complexité tout en préservant leurs performances. Il permet de simuler des architectures neuronales avancées, d'extraire et d'adapter les poids pour des déploiements sur des plateformes matérielles spécialisées comme SpiNNaker. Les outils proposés facilitent l'optimisation et le transfert de modèles entre différents environnements de simulation et de calcul.

Ce projet développe des algorithmes pour optimiser le placement d'utilités et de résidences sur une carte urbaine. Il utilise des réseaux de neurones et des algorithmes génétiques pour générer des configurations réduisant les distances de déplacement. Deux approches sont proposées : une méthode avancée basée sur l'IA et une solution plus simple pour des résultats rapides. L'objectif est d'améliorer l'efficacité des aménagements urbains en analysant les données spatiales.

Myria3D est une bibliothèque de deep learning conçue pour la segmentation multiclasse de grands nuages de points Lidar à haute densité. Elle implémente l'entraînement de réseaux de neurones de segmentation 3D avec des logiques de traitement et d'évaluation optimisées pour les données à l'échelle du lot. L'inférence sur des nuages de points inconnus à grande échelle est également prise en charge, ce qui permet d'évaluer la IoU sur l'ensemble du nuage de points, ce qui se traduit par une évaluation fiable du modèle.

Bibliothèque Python développée par Météo-France pour concevoir et entraîner des modèles d'intelligence artificielle dédiés à l'analyse et la prévision des données météorologiques. Elle propose des architectures de réseaux de neurones adaptées (CNN, transformers, modèles multimodaux) pour des tâches comme la segmentation d'images satellite, la génération de texte à partir de données météo ou la détection d'artefacts sur les images radar. Les modèles sont optimisés pour des applications opérationnelles en météorologie.

Caffe est un framework open source dédié à la programmation d'algorithmes d'apprentissage profond. Il permet aux chercheurs et développeurs de concevoir, entraîner et déployer des modèles de réseaux de neurones pour des tâches comme la classification d'images, la reconnaissance visuelle ou le traitement du langage. Utilisé dans la recherche académique et industrielle, il offre des outils pour optimiser les performances et faciliter l'expérimentation en intelligence artificielle.

Ce projet développe des modèles de réseaux de neurones dédiés à la correction de phase dans des systèmes optiques complexes, notamment pour des réseaux de lasers. Il permet de simuler des mesures, d'entraîner des algorithmes d'apprentissage automatique pour optimiser la qualité des faisceaux lumineux, et de générer des données synthétiques pour des applications en photonique. Les outils proposés facilitent la recherche et l'expérimentation dans le domaine de l'optique adaptative.

Ce projet utilise des réseaux de neurones pour résoudre le problème SMEPC (Smart Energy Management and Production Control). Il se concentre sur l'optimisation de la production énergétique en modélisant des sous-problèmes via des modèles séquentiels de réseaux de neurones, améliorant ainsi l'efficacité et la gestion intelligente des ressources.

Outil dédié à la visualisation et à l'analyse des filtres générés par des réseaux de neurones convolutifs (CNN). Permet aux chercheurs et développeurs en intelligence artificielle d'explorer les caractéristiques apprises par les modèles, d'évaluer leur performance sur différents jeux de données et d'optimiser les architectures de réseaux de neurones pour des applications variées.