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 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.

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.

This project is a repository that compares long-reads metagenomic assemblers and analyzes metagenomic data. It includes scripts to check the quality of the reads, fetch the sequencer used, assemble metagenomes using different tools, polish the assemblies, calculate the coverage, and check the quality of the assemblies. The pipeline is defined using Snakemake and can be run on a cluster with slurm and conda support.

MolPred est un framework basé sur Hydronaut pour la construction de prédicteurs de caractéristiques moléculaires à l'aide de Chemfeat. Il offre les avantages de l'un et de l'autre, ainsi que plusieurs autres avantages : tous les hyperparamètres sont gérés via des fichiers de configuration YAML, y compris la sélection de modèles, ensembles de fonctionnalités moléculaires et métriques, avec un support complet pour les surcharges en ligne de commande. Les hyperparamètres peuvent être explorés à l'aide de balayages systématiques ou d'algorithmes d'optimisation. L'optimisation peut être suivie en temps réel avec Optuna Dashboard lors de l'utilisation du plugin Hydra's Optuna sweeper. Tous les paramètres, métriques, modèles et autres artefacts sont suivis avec MLflow. Les tests et les prédictions peuvent être effectués en récupérant des modèles et des configurations d'ensembles de fonctionnalités à partir de runs MLflow précédents. Les modèles peuvent être facilement ajoutés en enregistrant des sous-classes d'une classe fournie. Les classes enregistrées peuvent être sélectionnées par nom à partir du fichier de configuration. De nouvelles calculateurs d'ensembles de fonctionnalités chimiques/moléculaires peuvent être ajoutés et enregistrés via des sous-classes simples. Les calculs de fonctionnalités sont mis en cache dans une base de données locale pour éviter les calculs redondants.

Bibliothèque Python dédiée à la manipulation et à l'analyse de données organisées en arborescences. Elle propose des fonctionnalités de réduction de graphes en arborescences, de visualisation de données à l'aide de Matplotlib et NetworkX, ainsi que des algorithmes de classification de données en arborescences basés sur scikit-learn.

Ce projet propose une introduction pratique de 20 minutes aux notebooks, illustrée par un exemple concret d'analyse de données de locomotion humaine. Il s'appuie sur JupyterLab et des bibliothèques Python telles que Matplotlib, Pandas et NumPy pour démontrer les concepts clés de l'analyse et de la visualisation de données.

Ce projet est un ensemble d'implémentations Python de métriques d'anonymisation de données, issues de la littérature récente. Il permet d'évaluer et de comparer différentes méthodes d'anonymisation, en calculant et en visualisant des métriques telles que l'APE (Absolute Percentage Error) et la Linkability.