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.

Ce projet est un projet de deep learning implémenté en Python. Il consiste en un notebook contenant un modèle de deep learning et des algorithmes. Le projet est structuré en plusieurs répertoires : le notebook principal, un répertoire contenant le jeu de données utilisé pour l'entraînement et les tests, un répertoire contenant les résultats d'évaluation et les métriques de performance, et un répertoire contenant l'application web.

Ce projet permet de comparer les performances de différentes implémentations de l'algorithme PageRank, utilisé par les moteurs de recherche pour classer les pages web. Il offre une analyse détaillée des temps d'exécution, de la précision des résultats et de l'efficacité des ressources pour chaque variante testée. Les utilisateurs peuvent ainsi identifier les solutions les plus adaptées à leurs besoins en matière de classement de pages.

Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner des agents autonomes capables de résoudre des tâches complexes. Il utilise des environnements de simulation pour tester et améliorer les performances des modèles, en générant des graphiques et des vidéos de démonstration. Les résultats sont analysés pour optimiser les paramètres et maximiser les récompenses cumulées.

Ce projet développe un système de simulation et d'analyse pour des jeux de stratégie, notamment en utilisant des algorithmes comme le minimax pour évaluer les meilleures décisions possibles. Il permet de tester différentes stratégies, d'optimiser les parcours de jeu et d'analyser les probabilités de victoire pour améliorer les performances des joueurs.

Ce projet est dédié à la gestion et au test de performances de cryptage de données, en utilisant des algorithmes avancés tels que AES. Il offre des fonctionnalités de cryptage et décryptage de données, ainsi que des tests de performances pour évaluer l'efficacité de ces opérations.

Projet dédié à l'optimisation et à l'accélération de calculs intensifs en utilisant des technologies comme CUDA et nvC++. Il permet de tester et comparer les performances des calculs parallèles sur CPU et GPU, notamment pour des applications scientifiques ou industrielles nécessitant des ressources de calcul avancées. Le projet inclut des outils de calibration, de benchmarking et des exemples pratiques pour évaluer l'efficacité des algorithmes.

Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner et tester des réseaux de neurones profonds. Il permet de simuler des agents intelligents dans des environnements virtuels, d'optimiser leurs politiques d'action et d'évaluer leurs performances. Les modèles générés peuvent être utilisés pour résoudre des problèmes complexes en robotique, jeux vidéo ou optimisation industrielle.

Ce projet propose des travaux pratiques pour apprendre à simuler et optimiser la planification de tâches sur des infrastructures informatiques. Il permet aux étudiants de concevoir, implémenter et tester différents algorithmes de scheduling (FCFS, EDF, etc.) sur des plateformes mono et multi-machines. Les exercices couvrent la création de workloads, l'analyse des métriques de performance et la visualisation des résultats via des outils dédiés.

Ce projet vise à générer des données synthétiques à l'aide de modèles de langage (LLM) pour tester et évaluer des modèles d'intelligence artificielle. Il permet d'identifier des biais potentiels dans les algorithmes en créant des jeux de données artificiels variés et contrôlés, facilitant ainsi l'analyse des performances et des limites des modèles avant leur déploiement en conditions réelles.