Atelier pratique de machine learning utilisant des données sismiques et lidar, basé sur le cours SPIN-SC3 de Leonard Seydoux et adapté pour NuTS 2023. Les notebooks sont pré-configurés dans un environnement JupyterHub dédié sur GLiCID.

Le projet DGML vise à construire un catalogue de jeux de données de data.gouv.fr pour le Machine Learning. Il permet de sélectionner rapidement des jeux de données réutilisables par des algorithmes de ML et d'avoir un aperçu rapide des informations utiles pour faire du Machine Learning sur ce jeu de données.

Ce dépôt contient des notebooks Python pour les exercices et solutions du cours `Machine Learning and Optimisation (M2-SGB)`. Il couvre les bases de Python, Pandas, la régression linéaire simple et multiple, ARIMA/SARIMA, et les classificateurs d'arbres de décision.

Ce projet consiste en un ensemble d'algorithmes d'apprentissage automatique, y compris l'apprentissage supervisé (régression linéaire multiple, apprentissage par ensemble, réseaux de neurones) et l'apprentissage non supervisé (K-Means). Il est utilisé pour la désagrégation de l'énergie, permettant une analyse détaillée de la consommation d'énergie.

This project provides a Dockerfile for building a version of Nvidia Linux for Tegra Board Support Package, which can be applied on top of Grid'5000 std environment. It is designed to support high-performance computing, prototyping of AI and machine learning applications, and testing and validation of embedded systems.