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.

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.

Ce projet fournit des données et des outils pour l'analyse des prédictions de structures protéiques dans le cadre du défi CAPRI Round 55. Il inclut des jeux de données détaillés sur les prédictions générées par MassiveFold, des évaluations CAPRI-Q, et des analyses comparatives avant/après relaxation des modèles. Les résultats sont destinés à la recherche en biologie structurale et en immunologie.

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 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.

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.

Ce projet génère des jeux de données synthétiques à partir de données juridiques réelles. Il utilise des méthodes avancées comme CTGAN et Synthpop pour créer des ensembles de données réalistes. Ces données sont destinées à être utilisées pour l'entraînement et l'évaluation de modèles d'intelligence artificielle, notamment dans le domaine juridique.

GROG est un générateur générique de charges de travail conçu pour créer des jeux de données de tâches destinées à l'évaluation de systèmes de planification. Il s'appuie sur des modèles inspirés de données réelles issues de Google et permet de simuler des environnements cloud ou HPC. Les traces générées sont compatibles avec des simulateurs comme Batsim, facilitant ainsi l'analyse et l'optimisation des systèmes de gestion de ressources.

Geoarches est une bibliothèque open source développée par l'INRIA dédiée à la modélisation et à la prévision des données climatiques et météorologiques. Elle permet aux chercheurs et ingénieurs de construire, entraîner et évaluer des modèles de machine learning spécialisés dans l'analyse de données géospatiales complexes. Le projet facilite l'intégration de blocs fonctionnels dans des pipelines de recherche existants et propose des outils pour le téléchargement, le prétraitement et l'évaluation des données.