Ce projet propose une formation complète en apprentissage automatique appliqué aux sciences du climat et au secteur de l'énergie. Il combine des cours théoriques et des travaux pratiques sur des données réelles pour enseigner aux étudiants comment extraire des motifs pertinents, prédire des variables et optimiser des processus. Les cas concrets incluent l'analyse de données de capteurs pour améliorer l'efficacité énergétique des bâtiments ou l'exploitation de prévisions climatiques pour anticiper les tendances futures.

Ce projet propose des ressources pédagogiques et des travaux pratiques pour l'introduction au machine learning. Il inclut des notebooks interactifs accessibles via différents environnements (mésocentre IPSL, Jupyter Hub, Google Colab) pour faciliter l'apprentissage et la pratique des étudiants en master. Les supports sont conçus pour être utilisés en séance ou en autonomie.

Formation organisée par le CNRS pour les informaticiens souhaitant maîtriser les bases et enjeux du machine learning et du deep learning. Elle propose des cours théoriques, des travaux pratiques et des séminaires sur quatre jours, avec un focus sur l'apprentissage supervisé, les réseaux de neurones et l'exploitation des GPU. Destinée aux développeurs et aux chercheurs en informatique.

Formation en machine learning pour l'initiation de chefs de projets sans connaissances préalables dans le domaine. Elle couvre des notions telles que la manipulation et la description des données, les algorithmes de machine learning, l'évaluation et la sélection de modèles, ainsi que l'introduction au deep learning. Les supports de cours et les codes sources des travaux pratiques sont partagés en open-source.

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.

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.

Projet open source dédié à l'exploration et à l'application de modèles d'apprentissage automatique pour résoudre des problèmes métiers variés. Il permet aux entreprises d'intégrer des solutions d'IA personnalisées pour améliorer leur efficacité opérationnelle, réduire les coûts et anticiper les tendances du marché grâce à des algorithmes avancés.

Collection d'outils et de bibliothèques open source dédiés à l'apprentissage automatique et à l'intelligence artificielle. Permet aux développeurs et entreprises d'intégrer des modèles prédictifs, de traitement du langage naturel ou de vision par ordinateur dans leurs applications sans repartir de zéro. Facilite l'automatisation intelligente et l'extraction d'insights à partir de données massives.

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.

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.