Ce projet est issu d'un hackathon en data science. Il fournit des ressources pour l'analyse et la visualisation de données, ainsi que des tutoriels pour le développement d'applications web interactives et l'initiation à l'apprentissage automatique, en utilisant les langages R et Python.

Le projet EDA_model a pour but d'analyser, détecter des tendances et prévoir des ventes à partir de données financières. Il offre une plateforme pour héberger différentes implémentations de modèles d'analyse de données.

Ce projet utilise des techniques d'analyse d'images pour estimer la taille d'une personne à partir de photos. Il s'appuie sur des algorithmes de vision par ordinateur et d'apprentissage automatique pour détecter et mesurer les différents éléments de la photo qui permettent de déterminer la taille.

PyNMF est un outil permettant la résolution de la factorisation de matrices non négatives (NMF) sur les données métagénomiques avec des contraintes métaboliques supplémentaires. Il a été développé à l'origine pour une utilisation dans le domaine de la bioinformatique.

Le projet cytopheno_omics a pour but d'analyser des données génomiques et multi-omiques pour identifier des biomarqueurs et fournir des insights biologiques. Il permet l'intégration et l'interprétation de différents types de données, telles que les données d'expression génique, de méthylation de l'ADN et de protéomique.

Implémentation en python de DEXOM, un outil d'inférence de réseaux métaboliques contextuels spécifiques à partir de données d'expression génique. Utilise des règles GPR pour connecter les gènes et les réactions, et offre plusieurs méthodes d'énumération pour générer des sous-réseaux optimaux.

Application web permettant de manipuler le modèle de différenciation de genre publié par S. Huet, F. Garguilo et F. Pratto en 2020. Il s'agit d'un modèle d'opinion dynamique qui combine des processus de vanité et de propagation d'opinion.

Ce projet permet de comparer différentes méthodes de régression à haute dimension, offrant une analyse approfondie des données scientifiques ou industrielles complexes. Il facilite l'évaluation de la performance des modèles de prédiction en fournissant des résultats clairs et précis.

Ncrna-clust est un projet dédié à l'analyse et à l'interprétation de données sur les ARN non codants. Il permet d'identifier des clusters fonctionnels d'ARN non codants et de caractériser leur expression dans différents tissus.

Ce projet implémente le Pattern-Exploiting Training (PET), une procédure de formation semi-supervisée qui reformule les exemples d'entrée en phrases cloze. En utilisant des modèles de langage pré-entraînés, PET permet d'obtenir des résultats significatifs dans des scénarios à faible ressource, dépassant même les performances de GPT-3 dans certains cas.