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.

Le projet acarre-envpasteur est un dépôt de code source contenant un environnement de développement pour la recherche en biologie. Il permet l'analyse de données biologiques et la recherche sur les maladies infectieuses en utilisant des algorithmes de machine learning. Ce dépôt contient un fichier de recette Singularity pour construire une image contenant tous les outils nécessaires à ces tâches.

Ce projet propose des environnements Docker préconfigurés pour la recherche et l'enseignement. Il inclut des machines dédiées au deep learning (PyTorch, Theano, Lasagne), au traitement d'images (ImageMagick, DGtal, OpenCV) et à des outils spécifiques comme CROHME. Chaque machine est conçue pour être facilement déployable et réutilisable, avec des instructions claires pour l'installation et l'exécution. Les utilisateurs peuvent adapter les environnements à leurs besoins en modifiant les fichiers Docker.

Le projet gpu-full est une plateforme dédiée à la recherche et à l'analyse de données. Il permet aux chercheurs et aux data scientists de développer et de déployer des modèles de machine learning, de visualiser et d'analyser des données en temps réel, et de gérer leurs projets de recherche. Grâce à une interface utilisateur intuitive et à des fonctionnalités avancées, il offre un environnement de travail complet et performant pour les chercheurs et les data scientists.

Geoarches est une bibliothèque open source développée par l'INRIA dédiée à la modélisation et à la prévision des données climatiques et météorologiques. Elle permet aux chercheurs et ingénieurs de construire, entraîner et évaluer des modèles de machine learning spécialisés dans l'analyse de données géospatiales complexes. Le projet facilite l'intégration de blocs fonctionnels dans des pipelines de recherche existants et propose des outils pour le téléchargement, le prétraitement et l'évaluation des données.

Fed-BioMed est une plateforme open source dédiée à la recherche biomédicale utilisant des approches décentralisées pour l'analyse statistique et l'apprentissage automatique. Elle permet aux chercheurs de collaborer sur des données sensibles sans les centraliser, en appliquant des techniques de machine learning fédéré. Le projet s'appuie sur des outils comme PyTorch et Scikit-learn pour développer et déployer des analyses fédérées dans des applications médicales réelles, tout en préservant la confidentialité des données.

Dépôt de ressources pour l'école de recherche en machine learning, proposant des présentations et des documents pour une formation approfondie en statistiques et géométrie pour l'apprentissage automatique.

Ce projet propose une implémentation et des expériences autour de l'algorithme CURGRAPH, utilisé pour le clustering itératif sous contraintes de rayon. Il permet d'évaluer et comparer des méthodes de partitionnement de graphes dans le cadre de la recherche en machine learning, notamment pour des applications en analyse de données complexes. Les résultats des expériences sont sauvegardés et structurés pour faciliter leur analyse et leur interprétation.

Ce projet porte sur le développement d'un système de contrôle avancé pour un accélérateur laser-plasma, dans le cadre du projet PALLAS. Il vise à améliorer la stabilité et la fiabilité des accélérateurs d'électrons en intégrant des techniques de contrôle avancées, incluant l'utilisation de machine learning. Le système permet également la production de données ouvertes et reproductibles pour la recherche en physique des particules.

Ce projet propose des supports de présentation (slides) générés à partir de notebooks Jupyter dédiés à l'apprentissage automatique. Il est utilisé par un groupe de travail du laboratoire IRMA pour partager des avancées, des méthodes et des résultats de recherche en machine learning avec la communauté académique et les étudiants.