Tljh-repo2docker est un plugin pour The Littlest JupyterHub qui permet de construire et d'utiliser des images Docker en tant qu'environnements utilisateur. Les images Docker sont construites à l'aide de repo2docker. Ce plugin permet aux utilisateurs de JupyterHub de créer des environnements personnalisés en spécifiant une URL de dépôt Git, avec des options facultatives pour les noms, les limites de mémoire et de CPU.

Plasma est une plateforme d'apprentissage en ligne basée sur Jupyter pour l'analyse de données. Ce dépôt contient des fichiers de configuration pour configurer et déployer Plasma sur une seule machine.

Gargantext est une plateforme collaborative d'exploration de corpus de textes. Il combine des outils de traitement automatique des langues, de fouille de textes, d'analyse de réseaux complexes et de visualisation interactive pour permettre une analyse approfondie de grands corpus de données textuelles.

SciQLop est une application Qt conçue pour la visualisation et l'analyse de données de plasmas spatiaux in situ. Elle permet d'accéder facilement à des dizaines de milliers de produits de données archivées, d'explorer des séries temporelles multivariées, de visualiser des produits personnalisés avec du code Python exécuté en temps réel, de créer et d'éditer des catalogues d'événements, et d'analyser des données dans des carnets Jupyter.

Ce projet a pour but de fournir des exemples d'utilisation de différentes librairies Python dédiées au traitement de données et à l'analyse statistique. Il permet de comprendre et d'expérimenter avec des outils tels que scikit-learn, scikit-image, SciPy, Pandas, Matplotlib, Plotly.js, et d'autres encore.

CocoPySHS est un projet conjoint entre Huma-Num Lab et Datactivist visant à poser la question des outils actuellement utilisés par les communautés scientifiques en SHS et les supports nécessaires à leur transmission. Il a donné naissance à 5 Notebooks pédagogiques et exécutables sous forme de démonstrateurs de l'utilisation du machine learning pour les SHS.

Bibliothèque Python open-source développée au CRIL pour faciliter la conduite d'expériences et leur analyse dans le domaine de la résolution de problèmes SAT. Elle offre un outil complet pour la gestion des expériences, de la collecte des données à l'affichage des résultats, favorisant ainsi la reproductibilité des résultats expérimentaux.

Ce projet est une formation au Deep Learning, co-organisée par le 3IA MIAI institute, le CNRS, via la Mission pour Transversal et Interdisciplinary Initiatives (MITI) et l'Université de Grenoble Alpes (UGA). Il vise à fournir une compréhension des bases des réseaux de neurones de Deep Learning, une première expérience à travers des exemples simples et représentatifs, une familiarisation avec les technologies Tensorflow/Keras et Jupyter lab, et une initiation aux environnements informatiques académiques Tier-2 ou Tier-1 avec des GPU puissants.

Ce projet est un cours de formation sur les pratiques équitables en bioinformatique. Il est organisé en 7 notebooks Jupyter qui couvrent des sujets tels que les concepts de reproductibilité, l'utilisation de Git pour le partage de code et l'historique de fichiers, l'introduction à Conda, l'utilisation du cluster BiRD, l'introduction aux workflows Snakemake, et la description d'autres outils intéressants pour la reproductibilité.

Ce projet est une formation en Python dédiée à l'analyse et la visualisation de données scientifiques. Il couvre des sujets tels que la manipulation de données avec NumPy et Pandas, la visualisation avec Matplotlib et Seaborn, l'analyse statistique avec Statsmodels, la modélisation et l'apprentissage automatique avec Scikit-learn.