Ce projet est une formation en ligne (MOOC) sur l'apprentissage automatique en Python, utilisant la bibliothèque scikit-learn. Il comprend des notebooks Jupyter interactifs, des leçons en texte enrichi et des visualisations de données avec Matplotlib, Seaborn et Plotly. Les étudiants peuvent apprendre à leur propre rythme et bénéficier de fonctionnalités supplémentaires telles que des quiz et un forum de discussion.

Le package pynsee permet d'accéder à plus de 150 000 séries de données macroéconomiques, à une dizaine de jeux de données locaux, à de nombreuses sources disponibles sur insee.fr, aux limites géographiques des zones administratives de l'IGN ainsi qu'à des métadonnées et à la base SIRENE contenant des données sur toutes les entreprises françaises.

Le projet cartiflette offre des méthodes fiables, reproductibles et multi-langages pour récupérer des fonds de carte officiels de l'IGN enrichis de métadonnées utiles pour la cartographie et la data science.

Bibliothèque Python essentielle pour le traitement et l'analyse d'images satellites. Elle offre des fonctionnalités de géoréférencement, de manipulation et de visualisation de données géospatiales.

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.

Le projet cartolabe-data est dédié au traitement, à l'analyse et à la visualisation de données. Il offre des fonctionnalités pour nettoyer, transformer et analyser des ensembles de données, ainsi que pour générer des visualisations à l'aide de bibliothèques telles que Matplotlib et Seaborn. Le projet inclut également des outils de documentation pour faciliter la compréhension et l'utilisation des données.

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.

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.