M

machine-learning

Official repository of the Ruhr university Neural Network energy representation (RuNNer).

RuNNerASE is a collection of packages for training, evaluating, and analyzing machine learning potentials with RuNNer, the Ruhr university Neural Network energy representation.

Ultralytics Python Project Template

Finally a smart RSS reader which doesn't suck ass or your data.

This is an extension integrated machine learning to provide security from scam and other phishing links and domains.

This is a steganography detector build on top of python and machine learning logic. User can enter their own dataset and train their own model. Also a future rich ui experience.

A full-stack web application designed to bridge the gap between complex mathematical expressions and clean, compilable LaTeX code. This project leverages Machine Learning (Hugging Face models) to take raw text or messy equations and transform them into optimized, industry-standard LaTeX.

The system features a ReactJS frontend for real-time editing and a Python/Flask backend. To keep the deployment lightweight and free-tier friendly (Render/Railway), the project utilizes an External API Proxy Pattern for PDF generation, eliminating the need for a 2GB+ local TeX distribution.

Autonomous AI agents that secure, test, and deploy code through intelligent DevSecOps workflows. Built for GitLab Duo Agent Platform to automate PR review, risk detection, compliance checks, and deployment decisions.

A Python library for Secure and Explainable Machine Learning

Documentation available @ https://secml.gitlab.io

Follow us on Twitter @ https://twitter.com/secml_py

pt_kmeans is a high-performance, pure PyTorch K-Means implementation for CPU/GPU, featuring K-Means++ initialization, hierarchical clustering, and cluster splitting, optimized for large-scale datasets.

CorePlexML is a single platform that handles the entire machine learning lifecycle — from preparing your data to deploying predictive models in production and monitoring them in real time. It replaces the 6-7 separate open-source tools your team currently has to install, integrate, and maintain.

Data Science / Machine Learning Pipeline component for training and deploying ML models using CI

Projet de détection de fake news utilisant une architecture Retrieval-Augmented Generation (RAG).

Le système compare un article avec une base de données vectorielle d’articles de référence afin de prédire un verdict (TRUE / FAKE / UNCERTAIN) et générer une justification avec un LLM local.

Pipeline :

Prétraitement et découpage du texte Génération d’embeddings (Ollama) Stockage dans ChromaDB Recherche des passages similaires Vote majoritaire pour le verdict Génération d’explication avec un LLM

Technologies : Python, Ollama, ChromaDB, scikit-learn, pytest.

Projet réalisé dans le cadre de la formation Développeur en Intelligence Artificielle (Simplon).

Projet pédagogique en algorithmie et intelligence artificielle consistant à créer un agent (Kevin) capable de résoudre un labyrinthe.

Le projet explore plusieurs approches :

Génération de labyrinthes (DFS, Prim) Algorithmes de recherche de chemin (A*, Dijkstra) Apprentissage supervisé (Imitation Learning avec CNN) Apprentissage par renforcement (Deep Q-Network)

Des outils de visualisation permettent de générer des images et des GIFs montrant Kevin se déplacer dans le labyrinthe.

Projet réalisé dans le cadre de la formation Développeur en Intelligence Artificielle (Simplon).

Supervised learning pipeline for rare event operational failure prediction, integrating leakage resistant preprocessing, class weighted modeling, precision recall threshold calibration, ROC AUC benchmarking, and permutation based feature importance to analyze production stress drivers.

Projet d’analyse du comportement des utilisateurs Instagram à partir d’un large dataset synthétique (plus d’un million d’utilisateurs).

Le projet explore :

Analyse exploratoire des données (EDA) Prédictions de variables comportementales (stress, âge, clics publicitaires, revenu) Identification de profils utilisateurs avec clustering (KMeans) Interprétation des résultats statistiques en lien avec la vie réelle

Méthodologie : visualisation, corrélations, sélection de modèles, entraînement, évaluation et interprétation.

Technologies : Python, Pandas, NumPy, Matplotlib, Scikit-learn, Jupyter.

Projet réalisé dans le cadre de la formation Développeur en Intelligence Artificielle (Simplon).

This project uses a Genetic Algorithm to evolve neural network–controlled Snake agents that learn survival and apple collection without hardcoded rules in a classic Snake game. It demonstrates how evolutionary processes can produce increasingly intelligent behavior, benchmarked against human performance.

API FastAPI permettant d’identifier des espèces de pingouins à partir de données tabulaires optionnelles et/ou d’une image.

L’API renvoie une liste d’espèces probables avec leurs probabilités et inclut :

Classification Machine Learning (RF, KNN, LR) Fusion multimodale (tabulaire + image) Journalisation des requêtes/réponses (SQLite) Interface web pour consulter les logs Interface web pour tester les prédictions Notebooks pour exploration et entraînement

Projet réalisé dans le cadre de la formation Développeur en Intelligence Artificielle (Simplon).