Outil dédié à l'analyse des données de fond stochastique gravitationnel pour la mission spatiale eLISA de l'ESA. Il permet de calculer le rapport signal/bruit (SNR) pour évaluer la détectabilité des ondes gravitationnelles dans différentes configurations de mission. Le projet inclut des outils Python pour traiter les spectres de sensibilité et générer des visualisations, facilitant ainsi la comparaison des performances des configurations proposées.

Le projet NPB (NAS Parallel Benchmarks) est une suite de programmes conçus pour évaluer les performances des supercalculateurs et des systèmes parallèles. Développé par la NASA, il permet de mesurer l'efficacité des architectures informatiques en simulant des charges de travail intensives. Les benchmarks couvrent divers domaines comme le calcul scientifique, la dynamique des fluides ou le traitement de données massives. Les résultats obtenus aident les chercheurs et ingénieurs à optimiser leurs configurations matérielles et logicielles.

Ce projet vise à affiner et explorer la variabilité dans les pipelines d'imagerie cérébrale fonctionnelle (fMRI). Il permet de modéliser, exécuter et analyser différentes configurations de traitement des données neuroimagers pour évaluer leur impact sur les résultats. Les outils développés facilitent la comparaison de méthodes, l'identification des configurations optimales et la génération de rapports analytiques pour la recherche en neurosciences.

Outil dédié à la modélisation et à l'analyse de pipelines d'imagerie par résonance magnétique fonctionnelle (fMRI). Il permet de générer et d'évaluer des configurations de traitement de données cérébrales, facilitant ainsi la recherche en neurosciences. Le projet aide les chercheurs à optimiser leurs protocoles d'acquisition et d'analyse pour des études en neuroimagerie.

Ce projet vise à évaluer la variabilité analytique dans les analyses de neuroimagerie fonctionnelle (fMRI) à grande échelle. Il explore différentes configurations de pipelines de traitement d'images cérébrales pour identifier les sources de variabilité dans les résultats. Les données proviennent de sujets de l'Human Connectome Project et sont analysées via des notebooks Jupyter. Les résultats sont présentés sous forme de graphiques et de figures pour une publication scientifique lors du congrès OHBM 2026.

Ce projet académique vise à analyser et consolider des données d'observation astronomique en utilisant Apache Spark. Il permet de traiter de gros volumes de données pour calculer des statistiques sur les attributs, partitionner les données selon des critères spécifiques, et évaluer l'efficacité des configurations de partitionnement. Le travail inclut également des bonus comme la gestion des chevauchements de partitions ou l'utilisation d'intervalles de taille variable pour optimiser le stockage et l'accès aux données.