D

deep-learning

Intelligent VRAM/RAM swapping for LLM inference - Extension of KVortex | Offloading intelligent VRAM/RAM pour l'inference

https://ayinedjimi-consultants.fr

对不同尺寸的交通信号灯图片做红黄绿分类

UMSI-Wikipedia Text Difficulty Prediction (NLP Project)

In SupeRAuGAN we implement a novel data augmentation technique tailored to Generative Adversarial Networks in order to reduce discriminator overfitting and stabilize training

Learn from books in statistics, econometrics, ML and DL. Follows https://trics.me/textbook/index.html, but takes a current selection of books and goes through TOC and code examples.

Delievered at https://epogrebnyak.gitlab.io/statbooks/

Photo-realistic single-image super-resolution (SRGAN, x4) in TensorFlow/TensorLayer — refactored OO training/evaluation pipeline with research experiment branches.

Capstone 1: Caterpillar Tube Pricing Prediction & Categorization. Capstone 2:Pipeline Multi-Leak Classification.

Deep learning system for seismic velocity inversion using a SincNet-GAT-UNet architecture, physics-informed temporal encoding, graph attention fusion, and FiLM-conditioned spatial prediction

Ce projet porte sur le développement d'un modèle de scoring bancaire destiné à prédire le risque associé à une demande de crédit à partir des données historiques de prêts du dataset Lending Club.

L'objectif est de construire une chaîne complète de Data Science, allant de l'analyse et de la préparation des données jusqu'à la modélisation prédictive et l'évaluation des performances.

Travaux réalisés :

Analyse exploratoire du dataset et étude des différentes variables disponibles. Nettoyage et préparation des données. Traitement des valeurs manquantes et des variables catégorielles. Sélection et transformation des variables pertinentes. Réalisation de Feature Engineering afin de construire des variables adaptées à la prédiction. Préparation des jeux de données pour l'entraînement et l'évaluation. Expérimentation de différents modèles de Machine Learning. Expérimentation d'un modèle de Deep Learning avec TensorFlow Évaluation des modèles à l'aide de métriques de classification. Analyse comparative des performances afin d'identifier l'approche la plus pertinente

A very simple example of using RL in real life using servo motors.

Learn to drive an radio-controlled car using only a camera. Uses a DonkeyCar simulation, SAC and a VAE. By Winder Research.

Cat facial detection and landmark recognition in Python

Ce projet porte sur la conception d'une application de Computer Vision capable d'estimer l'âge d'une personne à partir d'une photographie.

L'objectif est d'explorer l'utilisation du Deep Learning appliqué aux images et de construire une chaîne allant du prétraitement des images jusqu'à l'inférence du modèle dans une application.

Travaux réalisés :

Préparation et organisation du dataset d'images. Prétraitement et normalisation des images. Mise en place du pipeline de préparation des données. Expérimentation d'une architecture de Deep Learning pour la prédiction de l'âge. Entraînement du modèle sur les données préparées. Évaluation des performances du modèle. Intégration du modèle dans une application permettant de réaliser une prédiction à partir d'une photographie.

A clean, modular implementation of Physics-Informed Neural Networks (PINNs) for solving the 1D and 2D wave equation using PyTorch.

Mobile app providing prepaid phone card fast and easy scanning. Also available on https://github.com/hramaroson/photokredy

Classifier to assign label to particle

Test project for neural networks - Handwritten digit recognition on MNIST dataset