La plateforme Vidjil est composée de deux parties principales : Vidjil-algo et une application web. Vidjil-algo permet d'extraire des jonctions V(D)J et de les regrouper en clones à partir de données de séquençage à haut débit. L'application web permet la visualisation et l'analyse interactives des clones et de leur suivi dans le temps dans un contexte de suivi de la maladie résiduelle minimale ou d'étude immunologique. Elle peut être liée à une base de données de échantillons, d'expériences et de patients permettant le stockage de données et de métadonnées séquence, l'exécution de logiciels RepSeq et la sauvegarde d'annotations directement depuis l'application web.

Ce dépôt contient le codebase complet pour les expériences décrites dans l'étude sur l'intégration de données dans le secteur de la vente au détail en utilisant les technologies du Web sémantique. Il inclut des scripts de configuration expérimentale et des notebooks Jupyter pour guider le processus d'expérimentation.

Outil web permettant la visualisation et l'analyse de données géomagnétiques, avec capacités de prévision de phénomènes géomagnétiques.

Ce projet consiste en une analyse de données médicales visant à étudier les risques de comorbidité entre différentes pathologies. Il permet de nettoyer et de formater les données, de réaliser des analyses statistiques et de visualiser les résultats sous forme de graphiques et de tableaux. Un modèle de prédiction de risques de comorbidité est également proposé.

Ce projet est un projet de deep learning implémenté en Python. Il consiste en un notebook contenant un modèle de deep learning et des algorithmes. Le projet est structuré en plusieurs répertoires : le notebook principal, un répertoire contenant le jeu de données utilisé pour l'entraînement et les tests, un répertoire contenant les résultats d'évaluation et les métriques de performance, et un répertoire contenant l'application web.

Le projet Spawner est un spawner (lanceur) pour JupyterHub qui permet de gérer des clusters de calcul pour l'exécution de notebooks Jupyter. Il automatise le déploiement de notebooks Jupyter et gère les ressources de calcul pour les utilisateurs de JupyterHub.

T-repeats est un projet d'analyse et de prédiction de motifs répétés dans l'ADN. Il permet également d'étudier l'impact de variantes cliniques sur ces motifs et de visualiser des données à partir de fichiers BED.