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.

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).

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.

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.

Ce projet permet d'extraire l'information contenue dans le tableau 'filiales et participations' des comptes sociaux des entreprises grâce à des fonctionnalités de sélection de page et d'extraction de tableau.

Ce projet consiste en une étude des données de consommations et habitudes alimentaires de l'étude INCA 3. Il comprend une analyse exploratoire des données, une classification d'individus à l'aide de méthodes telles que l'ACP, les K-moyennes et le clustering ascendant hiérarchique, ainsi qu'une prédiction de l'IMC à l'aide de méthodes de machine learning supervisé.

Ce projet permet de rechercher des documents sur les réseaux sociaux et de les stocker sur Amazon S3. Il s'agit d'un outil d'analyse de données pour les comptes sociaux.

Ce projet offre toutes les fonctionnalités nécessaires pour déployer le modèle de classification APE (Activité Principale Exercée) en utilisant FastAPI et MLflow. Il permet d'exposer le modèle en tant qu'API, facilitant ainsi son intégration dans diverses applications et services.

Ce projet est un dépôt de code source qui fournit des scripts Python pour l'analyse de données économiques, la préparation de données pour l'apprentissage automatique, la réduction de dimension de données et la visualisation de données multidimensionnelles. Il utilise des bibliothèques telles que NumPy, Pandas, Requests, scikit-learn, TensorFlow et Keras pour fournir des fonctionnalités telles que le téléchargement de données, la préparation de données, l'estimation de modèles et la visualisation de données.