Ce projet vise à rassembler des tentatives de reproduction de l'étude Challenger, qui analyse les facteurs de risque dans le programme de la navette spatiale. Il compare les résultats obtenus en utilisant différents langages de programmation et outils, et met l'accent sur la reproductibilité des analyses statistiques.

Le projet locality-aware-scheduling vise à optimiser la planification de tâches parallèles en prenant en compte la localité des données dans les calculs distribués. Il s'appuie sur les bibliothèques Starpu et Simgrid pour fournir des algorithmes de planification performants et adaptés aux architectures de calcul modernes.

Ce projet permet d'utiliser la bibliothèque R ggplot2 directement depuis Python, offrant ainsi des fonctionnalités avancées de visualisation de données dans un environnement Python.