Le projet DeepPhysX fournit des packages Python permettant aux utilisateurs d'interfacer facilement leurs simulations numériques avec des algorithmes d'apprentissage. Il offre un package Core sans dépendance sur aucun framework de simulation ou d'IA, ainsi que d'autres packages compatibles avec ce Core et un framework de simulation ou d'IA spécifique.

AGD Tools est une librairie Python conçue pour faciliter l'analyse de données, en particulier les données géospatiales. Elle offre des fonctionnalités avancées de calcul scientifique, de manipulation de structures de données complexes et de connexion à des bases de données PostgreSQL.

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.

Ce projet implémente l'algorithme d'apprentissage supervisé de fastText pour la classification de texte utilisant PyTorch. Il vise l'efficacité et la précision dans la classification de texte, la réduction de dimensions textuelles, l'analyse de sentiments et la catégorisation de contenu.

Le projet cluster-monitor permet de surveiller l'état d'un cluster de calcul en temps réel. Il fournit une visualisation de l'utilisation des ressources et des alertes en cas de défaillance ou de sous-utilisation des ressources. Cela permet aux administrateurs de cluster de détecter rapidement les problèmes et de prendre les mesures nécessaires pour y remédier.

Le projet elementaryx est une plateforme dédiée à la simulation et à l'analyse de systèmes complexes, offrant des fonctionnalités avancées de visualisation de données. Il permet aux chercheurs et ingénieurs de modéliser et d'étudier des phénomènes complexes dans divers domaines tels que la physique, la biologie, l'ingénierie et les sciences sociales.

Ce projet contient les supports de cours d'une auto-formation d'initiation à Python, proposée sur le SSP Cloud. Les différents chapitres peuvent être déployés en un clic sous la forme d'un Notebook Jupyter. Les sources des supports de cours sont disponibles au format qmd dans le dossier source/ et peuvent être générées en notebooks ipynb exécutables grâce à Quarto et aux packages Python nécessaires.

ConnectionLens est un outil permettant de trouver des connexions entre des termes spécifiés par l'utilisateur à travers plusieurs sources de données hétérogènes. Il considère un ensemble de sources de données indépendantes comme un graphe virtuel unique, où les nœuds représentent des éléments de données fins (par exemple, des tuples relationnels, des attributs, des paires clé-valeur, des nœuds RDF, JSON ou XML) et les arêtes correspondent soit à des connexions structurelles (par exemple, un tuple est dans une base de données, un attribut est dans un tuple, un nœud JSON a un parent, etc.) soit à des liens de similarité (sameAs). Pour enrichir le contenu avec lequel les journalistes travaillent, ConnectionLens détecte également les personnes, les organisations, etc. mentionnées dans le texte, que ce soit du texte intégral ou des extraits trouvés dans des données RDF ou XML.

Ce projet propose des algorithmes heuristiques pour la correction de géométries de bâtiments extraits d'images aériennes. Il permet de détecter des bâtiments potentiellement collés et de rechercher des segments entre bâtiments adjacents. Plusieurs algorithmes de nettoyage et d'orthogonalisation sont également proposés.

Projet de traitement et d'analyse des données essentielles de la commande publique. Il permet de récupérer les données au format JSON, de les traiter et de les convertir au format CSV pour une meilleure utilisation. Il inclut également des fonctionnalités de visualisation de données géographiques.