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.

Plateforme de développement GPU destinée à la communauté du CPPM (Centre de Physique des Particules de Marseille). Elle permet aux utilisateurs de lancer des instances JupyterLab sur des nœuds GPU, avec des environnements préconfigurés (JAX, TensorFlow, PyTorch) ou personnalisables. L'intégration de MLflow facilite le suivi des expériences de machine learning. La plateforme est conçue pour être testée et améliorée grâce aux retours des utilisateurs.

Ce projet propose une analyse multi-niveaux de l'utilisation des GPU dans les charges de travail d'entraînement en machine learning. Il compare les performances entre différents frameworks (TensorFlow, PyTorch) et outils de profilage (NVIDIA Nsight Compute). Les résultats sont présentés sous forme de figures et de rapports détaillés pour aider les chercheurs et ingénieurs à optimiser leurs modèles et infrastructures.

Ce projet propose des ressources pédagogiques et des ateliers pratiques dédiés à l'apprentissage profond et à l'utilisation des GPU pour le machine learning. Il s'adresse aux chercheurs et étudiants souhaitant maîtriser les concepts de base des réseaux de neurones et leur implémentation. Les contenus incluent des présentations, des tutoriels interactifs et des références pour approfondir les connaissances.

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.

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.

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 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.