Une collection d'images Docker pour des services de datascience prêts à l'emploi, conçue pour fonctionner avec l'écosystème Onyxia.

Lunatic est une bibliothèque front-end sous forme de hook et de librairies de composants React permettant de générer un questionnaire à partir du format de données Lunatic-Model.

Formation au MLOps avec MLFlow pour acquérir les connaissances et les compétences nécessaires à la mise en œuvre de pratiques MLOps, en utilisant des outils tels que MLFlow. Exploration des aspects de la gestion du cycle de vie des modèles de machine learning, du développement à la production, à travers cinq chapitres.

Ce projet vise à construire un cloud open-source dédié aux data scientists. Il permet le déploiement de services de data science, offre un stockage de données S3 et assure l'authentification des utilisateurs. Il est basé sur Kubernetes et utilise Helm pour le packaging, la reproductibilité et la configuration.

Ce projet consiste à traiter, nettoyer et normaliser les données d'adresses du Répertoire Électoral Unique (REU), les géolocaliser, créer des dictionnaires de variables et publier les données sur data.gouv.fr. Ce travail a été réalisé par l'Insee entre octobre 2022 et juin 2023 en collaboration avec la Dinum (Etalab).

Un outil pour la modélisation macroéconométrique comprenant un langage de description de modèles haut niveau, une décomposition de blocs Dulmage-Mendelsohn du modèle, un calcul symbolique de la jacobienne et plusieurs choix de solveurs numériques.

Predicat est une API de classification de libellés de caisse conçue pour faciliter l'analyse sémantique de textes et aider à la catégorisation de dépenses. En lien avec l'application Product Labelling, Predicat permet de classer automatiquement les libellés de caisse en se basant sur des modèles de langue pré-entraînés.

Ce projet fournit des ressources pédagogiques et des tutoriels sur l'appariement de données individuelles, ainsi que des données de test. Il présente différents packages R et Python pour l'appariement, tels que Record Linkage, dedupe et reclin2.

Ce projet utilise des données satellites pour détecter et analyser les habitats spontanés. Il permet de définir le type de données satellites à utiliser, le département et l'année d'utilisation, ainsi que le type d'annotateur et la taille des buffers. Le pipeline d'entraînement complet est contenu dans le fichier src/run_training_pipeline.py et peut être lancé en définissant le fichier config.yaml et en exécutant la commande python src/run_training_pipeline.py <remote_server_uri> <experiment_name> <run_name>.

Ce projet utilise des modèles d'intelligence artificielle pour analyser des images satellitaires et détecter des objets spécifiques. Il permet la surveillance de zones géographiques et le suivi de l'évolution de cultures, offrant ainsi des informations précieuses pour divers secteurs d'activité.