Ce projet présente une étude sur la détection et la localisation de défaillances dans les réseaux informatiques décentralisés. Il vise à améliorer la fiabilité des systèmes distribués en proposant des algorithmes de détection et de localisation de pannes efficaces.

Ce projet concerne l'étude et l'optimisation de réseaux et flots, en s'appuyant sur des algorithmes tels que Ford-Fulkerson. Il vise à améliorer l'efficacité de la livraison de colis, la gestion de flots de véhicules et la répartition de ressources dans un réseau.

Ce projet concerne l'étude et l'optimisation de réseaux et flots, en s'appuyant sur des algorithmes tels que Ford-Fulkerson. Il vise à améliorer l'efficacité de la livraison de colis, la gestion de flots de véhicules et la répartition de ressources dans un réseau.

Ce projet concerne l'étude et l'implémentation de différents algorithmes de parcours de graphes, tels que Dijkstra, pour résoudre des problèmes concrets tels que l'analyse de réseaux sociaux, la planification d'itinéraires ou la gestion de workflows.

Ce projet consiste en une étude de cas sur la conception de systèmes électroniques à niveau système, plus précisément un système de contrôle de vitesse pour un moteur DC utilisant une algorithmique PID. Il contient différents modèles équivalents du système, dont une implémentation en TLM avec un simulateur d'instruction set RISC-V, un modèle avec un émulateur QEMU encapsulé par RABBITS, un modèle en tant que spécification d'exécution numérique, un modèle en transfert de données timées dans SystemC AMS, un modèle en réseau linéaire de signaux dans SystemC AMS et un modèle en réseau linéaire électrique dans SystemC AMS.

Framework open source permettant de concevoir des jeux compétitifs où des intelligences artificielles s'affrontent. Il fournit les outils nécessaires pour générer des structures de code, gérer les communications réseau et développer des mécaniques de jeu. Destiné aux étudiants ou développeurs souhaitant s'entraîner à créer des algorithmes pour des jeux en 1 contre 1, avec des niveaux de difficulté variables.

Ce projet est une plateforme pédagogique dédiée à l'enseignement du machine learning et de l'intelligence artificielle pour des étudiants en systèmes autonomes. Il propose des supports de cours, des exercices pratiques sous forme de notebooks Jupyter, et des ressources pour l'évaluation des compétences. Les étudiants y apprennent à manipuler des algorithmes d'apprentissage supervisé et non supervisé, ainsi que des réseaux de neurones.

Ce projet permet d'analyser des réseaux complexes en filtrant les liens faibles pour renforcer la structure communautaire. Il facilite la détection de groupes cohérents dans des graphes, comme des réseaux sociaux ou des collaborations scientifiques. L'outil est utilisé pour étudier les interactions entre entités et améliorer la compréhension des dynamiques de groupe. Il s'appuie sur des algorithmes de partitionnement de graphes pour optimiser l'analyse des données relationnelles.

Outil de simulation dédié à l'exploration de stratégies de planification multipath pour les protocoles comme MPQUIC. Il permet d'étudier et de comparer différents algorithmes de routage dans un environnement contrôlé, sans prétendre à une représentation réaliste des réseaux. Idéal pour les chercheurs et ingénieurs en réseaux souhaitant évaluer des solutions innovantes avant une implémentation réelle.

Ce projet est une série de cours sur l'apprentissage automatique, basée sur le livre Deep Learning. Les cours couvrent des sujets tels que la régression linéaire, la régularisation, la réduction de dimensionnalité, le kernel trick et les réseaux de neurones. Les étudiants travaillent sur des jeux de données réels et implémentent des algorithmes d'apprentissage automatique à l'aide de Tensorflow et Scikit-learn.