Ce projet fournit des tutoriels en Python pour la télédétection, y compris l'accès à des données satellitaires, la visualisation de données et le calcul d'indices de végétation.

BEJ est un environnement Jupyter étendu conçu pour soutenir l'enseignement et l'apprentissage dans le domaine de l'informatique. Il permet aux étudiants et enseignants de rédiger des comptes-rendus de travaux pratiques, d'évaluer automatiquement du code, et de créer des présentations interactives. L'outil intègre plusieurs langages de programmation et facilite la production de documents techniques ou pédagogiques.

Ce projet est une formation à l'utilisation du langage de programmation Python et de l'environnement Anaconda pour le traitement de données. Il permet aux apprenants de créer des environnements de travail spécifiques et d'y installer des librairies pour le traitement de données.

Ce projet propose des ateliers pratiques et des notebooks pour former les participants à l'apprentissage profond. Il couvre des cas d'usage variés comme l'analyse de données médicales pour détecter le paludisme, la détection de fraudes financières, ou encore la reconnaissance de gestes en langage des signes. Les ressources sont conçues pour être utilisées dans un cadre académique ou de recherche, avec des jeux de données accessibles et des outils adaptés aux débutants comme aux experts.

Ce projet propose une formation d'introduction à l'apprentissage profond et à la bibliothèque PyTorch. Il met à disposition des notebooks Jupyter pour explorer des concepts fondamentaux comme la régression linéaire, les réseaux de neurones artificiels et l'optimisation de modèles. Destiné aux débutants, il inclut également des exercices pratiques et un bonus sur l'apprentissage par transfert.

Projet collaboratif visant à traduire et enrichir des notebooks pédagogiques dédiés aux réseaux de neurones, initialement conçus en Python, dans le langage R. Il offre une porte d'entrée accessible à une communauté majoritairement utilisatrice de R, tout en permettant l'ajout de contenus pédagogiques supplémentaires pour approfondir les concepts.

Ce projet est une formation en langage Python pour les sciences humaines et sociales. Il couvre les bases du langage et de son environnement, l'installation et la recherche de bibliothèques, les bases de Pandas et la production de statistiques, et des exemples d'usages avancés. Les documents dans le dépôt correspondent aux documents de la séance.

Ce projet propose des tutoriels et des implémentations pratiques pour l'exploration, la classification et l'analyse de graphes à l'aide de bibliothèques comme PyTorch et PyG. Il inclut des exemples concrets pour la classification d'images, la classification de nœuds et de graphes, ainsi que des guides pour optimiser les modèles de machine learning. Les ressources sont adaptées aux débutants comme aux experts.

Ce projet développe un système d'indexation sémantique pour les documents bibliographiques, utilisant l'intelligence artificielle afin de prédire automatiquement des mots-clés RAMEAU (vocabulaire contrôlé francophone). Il transforme l'indexation en un problème de recherche sémantique, en calculant des vecteurs pour chaque sujet à partir des descriptions des documents. L'objectif est d'améliorer l'accès aux ressources documentaires pour les bibliothèques universitaires et les centres de documentation.

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.