La plateforme Vidjil est composée de deux parties principales : Vidjil-algo et une application web. Vidjil-algo permet d'extraire des jonctions V(D)J et de les regrouper en clones à partir de données de séquençage à haut débit. L'application web permet la visualisation et l'analyse interactives des clones et de leur suivi dans le temps dans un contexte de suivi de la maladie résiduelle minimale ou d'étude immunologique. Elle peut être liée à une base de données de échantillons, d'expériences et de patients permettant le stockage de données et de métadonnées séquence, l'exécution de logiciels RepSeq et la sauvegarde d'annotations directement depuis l'application web.

Ce dépôt contient le codebase complet pour les expériences décrites dans l'étude sur l'intégration de données dans le secteur de la vente au détail en utilisant les technologies du Web sémantique. Il inclut des scripts de configuration expérimentale et des notebooks Jupyter pour guider le processus d'expérimentation.

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.

Outil web permettant la visualisation et l'analyse de données géomagnétiques, avec capacités de prévision de phénomènes géomagnétiques.

Ce projet consiste en une analyse de données médicales visant à étudier les risques de comorbidité entre différentes pathologies. Il permet de nettoyer et de formater les données, de réaliser des analyses statistiques et de visualiser les résultats sous forme de graphiques et de tableaux. Un modèle de prédiction de risques de comorbidité est également proposé.

BinderHub est une plateforme permettant de construire, d'enregistrer et de connecter des images Docker à partir de dépôts Git, offrant ainsi un accès à des instances JupyterHub dédiées. Il associe JupyterHub pour l'authentification des utilisateurs et l'exécution de notebooks Jupyter, et Repo2Docker pour la génération d'images Docker à partir de dépôts Git.

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 vise à étudier la morphologie cellulaire dans les doigts en développement, en comparant les zones Sox9(+) et Sox9(-) chez les individus Wnt5a-/- et Ctrl. Il étend le framework de Durande et al. (2019) en incorporant la spatialité dans l'anisotropie (orientation et déformation) des cellules.

Ce projet est un projet de deep learning implémenté en Python. Il consiste en un notebook contenant un modèle de deep learning et des algorithmes. Le projet est structuré en plusieurs répertoires : le notebook principal, un répertoire contenant le jeu de données utilisé pour l'entraînement et les tests, un répertoire contenant les résultats d'évaluation et les métriques de performance, et un répertoire contenant l'application web.