Ce projet développe un modèle d'optimisation pour concevoir des réseaux de vélos en libre-service intégrés aux transports publics. Il détermine l'emplacement des stations, leur capacité et le nombre de vélos initiaux, afin de maximiser la couverture de la demande de mobilité, en tenant compte des contraintes budgétaires et opérationnelles. Les solutions sont évaluées via des indicateurs clés de performance et comparées à des scénarios de référence.

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.

Bibliothèque Python conçue pour uniformiser et simplifier l'entraînement, l'inférence et l'évaluation des modèles de détection d'objets et de segmentation d'instances. Elle permet aux chercheurs et développeurs de basculer facilement entre différents modèles avec un minimum de modifications, tout en fournissant des métriques d'évaluation standardisées et des structures de données adaptées.

Ce projet développe un modèle d'intelligence artificielle conçu pour analyser des transcriptions textuelles et prédire les symptômes de dépression de manière hiérarchique. Il s'appuie sur des données cliniques validées pour fournir une estimation automatique de l'état mental des patients. L'outil est destiné aux chercheurs et professionnels de santé souhaitant objectiver des évaluations subjectives. Le modèle est entraîné sur des corpus spécialisés et permet une analyse fine des interactions verbales.

Ce projet vise à développer et comparer des modèles de deep learning pour compter et analyser des foules dans des images. Il reproduit deux architectures populaires (MCNN et SS-DCNet) afin d'évaluer leur performance sur des données réelles comme le jeu de données ShanghaiTech. L'objectif est d'améliorer la gestion des foules lors d'événements publics ou de manifestations, en fournissant des outils précis pour le suivi et la planification des interventions.

DeepPPI est un projet de recherche en bioinformatique utilisant l'apprentissage profond pour prédire les interactions entre protéines à partir de leurs séquences. Il propose des modèles basés sur des architectures PyTorch et Keras, permettant d'entraîner et d'évaluer des réseaux de neurones sur des jeux de données spécifiques. Les résultats peuvent être utilisés pour approfondir la compréhension des mécanismes biologiques fondamentaux.

DEBirds est un package R dédié à la simulation de modèles de budget énergétique dynamique (DEB) pour les espèces d'oiseaux. Il permet d'intégrer des modèles toxicocinétiques et toxicodynamiques pour étudier l'impact des contaminants sur les oiseaux. Cet outil est particulièrement utile pour la recherche écologique et environnementale, notamment dans l'évaluation des risques chimiques sur la faune aviaire.

Cadre de modélisation climatique régional développé par l'IPSL pour simuler et analyser les variations climatiques à l'échelle locale. Il permet aux chercheurs et institutions de prédire les impacts environnementaux et d'évaluer les politiques d'adaptation. Outil essentiel pour la recherche scientifique et la prise de décision publique en matière de climat.

Ce projet scientifique développe un outil en R pour quantifier l'impact de l'ajout de données opportunistes (comme les observations citoyennes) dans les modèles d'estimation de l'abondance et de la distribution de la mégafaune marine. Il simule des campagnes d'observation, intègre des données opportunistes, et compare les résultats avec des abondances simulées pour évaluer la précision des modèles. L'objectif est d'améliorer les méthodes de conservation et de gestion des écosystèmes marins.

Projet collaboratif entre la DEPP et le SSP Lab (Insee) visant à évaluer la possibilité d'assister la correction humaine de dictées manuscrites d'élèves par l'intelligence artificielle. Il compare deux approches (end-to-end et two-step) pour prédire des codes d'évaluation sur des copies scannées, en mesurant leur accord avec des experts humains. Le projet inclut également l'évaluation de modèles de transcription (HTR) et le fine-tuning de modèles spécialisés pour l'écriture manuscrite d'élèves.