Warren est une plateforme de visualisation de l'analytique pédagogique. Elle permet de représenter et d'analyser les données d'apprentissage pour suivre l'activité des apprenants et identifier les tendances.

Django-peertube-runner-connector est une application Django permettant de connecter des runners Peertube pour transcodeur des vidéos. Elle met en œuvre un ensemble d'endpoints avec Django Rest Framework et un serveur SocketIO qui permettent aux runners de demander des tâches, de mettre à jour le statut des tâches, de télécharger des fichiers média et d'envoyer les fichiers média transcodés. Elle fournit une fonction qui peut être utilisée par votre application pour lancer le processus de transcodage.

JASS est un package Python dédié au calcul de statistiques jointes sur des ensembles de résultats GWAS et à l'exploration interactive des résultats via une interface web. Il permet de générer des statistiques jointes sur un ensemble de données GWAS sélectionnées et de produire des graphiques statiques pour illustrer les résultats. Une application web intégrée permet également d'explorer les résultats via une interface dynamique JavaScript.

Une API pour interagir avec Pandoc, permettant de convertir des documents entre différents formats, de générer des PDF et de valider les documents avant conversion.

Application web et Godot destinée aux enfants et orthophonistes pour faciliter l'apprentissage de la lecture.

Le projet BIA (Business Impact Analyser) est un outil d'analyse de l'impact commercial qui permet d'évaluer la criticité des actifs et de calculer la probabilité d'impact sur les entités métiers. Il est composé d'une API et d'une interface graphique utilisant des technologies telles que FastAPI, Uvicorn, Pandas, Actix et Elasticsearch.

Clearboard est un projet qui reçoit un flux d'images, détecte un tableau noir dans celles-ci, l'extrait et fournit une vue améliorée de ce qui est écrit sur le tableau noir.

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.

Le projet discovery est une application permettant d'analyser des données d'événements et de découvrir des patterns grâce à des algorithmes de clustering. Les résultats sont visualisés sous forme de graphiques et de tableaux.

Le projet fastapi-app-example est une application web conçue pour gérer des données utilisateur et automatiser des workflows. Il offre une interface web conviviale et personnalisable grâce à l'utilisation de FastAPI et Uvicorn.