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.

PyDynPeak est un logiciel Python d'analyse de séries temporelles hormonales. Il permet la détection de pics et l'analyse de fréquence dans les séries temporelles. Il est basé sur l'article scientifique de Vidal et al. (2012) et sur le package Scilab ATOMS Toolbox DynPeak.

Ce projet vise à fournir des outils pour l'étude de nœuds en topologie, en particulier la construction et la visualisation de triangulations de Coxeter, le calcul de surfaces de Seifert et la représentation de fibrations. Il s'appuie sur les bibliothèques NumPy et Plotly.js pour le calcul et la visualisation.

Le projet dtk-visualization-python est dédié à la visualisation et l'analyse de données, en particulier dans le domaine scientifique. Il permet de créer des infographies et de manipuler des données en temps réel, offrant ainsi une meilleure compréhension et interprétation des résultats.

Ce projet permet de créer des cartes 3D à partir d'images capturées par des caméras fisheye et de localiser un robot à partir d'images capturées par des caméras fisheye. Il utilise des techniques de traitement d'images avancées telles que la reconstruction 3D, la correspondance de caractéristiques et la minimisation d'écart pour aligner les images et estimer la pose du robot.

JupyterLite est une version allégée du célèbre environnement Jupyter, dédiée à l'exécution locale dans le navigateur, sans nécessiter de serveur dédié. Il permet de créer, d'éditer et d'exécuter des notebooks Jupyter, en bénéficiant d'un ensemble de fonctionnalités et d'extensions adaptées aux besoins des utilisateurs, notamment en termes d'analyse et de visualisation de données.

Ce projet a pour but d'optimiser et d'automatiser le déploiement d'environnements OpenStack à l'aide d'Enoslib et d'Execo. Il permet également d'évaluer les performances de scénarios OpenStack spécifiques et d'analyser les déploiements et configurations.

Système d'évaluation et de suivi des capacités physiques, permettant de réaliser des tests, d'analyser les résultats et de suivre les progrès au fil du temps.

Ce projet fournit des outils pour l'analyse et la protection de données privées, ainsi que pour la génération de visualisations de données. Il est basé sur Python et utilise des bibliothèques telles que Pandas, Plotly et scikit-learn pour fournir des fonctionnalités d'analyse de données, de protection de la vie privée et de génération de visualisations.

Ce projet utilise des algorithmes de deep learning pour inférer la forme 3D de la colonne vertébrale à partir de données de profondeur. Il permet la détection et l'estimation de la courbure de la colonne vertébrale, ainsi que la reconstruction 3D de celle-ci. Il a été testé avec succès sur des données de patients et de mannequins.