Gargantext est une plateforme collaborative d'exploration de corpus de textes. Il combine des outils de traitement automatique des langues, de fouille de textes, d'analyse de réseaux complexes et de visualisation interactive pour permettre une analyse approfondie de grands corpus de données textuelles.

Episciences est une plateforme de publication de revues scientifiques en libre accès. Elle offre des fonctionnalités de gestion de soumissions d'articles, d'évaluation par les pairs et d'archivage des articles publiés.

Plateforme HAL est une archive ouverte destinée au dépôt et à la diffusion d'articles scientifiques de niveau recherche, publiés ou non, et de thèses, émanant des établissements d'enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.

Ce projet fournit un environnement Jupyter Notebook simplifié pour OpenShift, permettant l'analyse et le traitement de données, ainsi que la visualisation et le machine learning grâce à une sélection de packages et bibliothèques Python.

Ce projet gère des conteneurs d'images pour les notebooks sur la plateforme JupyterCloud de PLM, facilitant l'analyse de données scientifiques, la création et l'exécution de notebooks Jupyter, ainsi que le déploiement de modèles d'apprentissage automatique.

Ce projet implémente l'algorithme d'Optimal Tensor Transport présenté à la conférence AAAI 2022, permettant l'optimisation de transport de tenseurs et l'analyse de données multi-dimensionnelles. Il s'intègre à des outils d'apprentissage automatique pour offrir des capacités avancées de traitement de données tensorielles.

Ressources pour les travaux pratiques du cours ModIA, couvrant divers aspects de l'apprentissage profond, tels que les réseaux de neurones supervisés, non supervisés et faiblement supervisés, avec des exemples concrets et des manipulations de librairies telles que keras, scikit-learn et numpy.

Le projet containers a pour objectif de faciliter le déploiement et la gestion des applications grâce à la conteneurisation. Il permet d'isoler les environnements d'exécution et de gérer les versions logicielles de manière efficace.

Ce projet a pour but d'analyser des séquences d'ADN afin de détecter les répétitions et les motifs qui s'y trouvent. Il permet de comparer des génomes entre eux et de fournir des informations utiles pour la recherche en génomique.