Ce projet mené par le PEReN étudie le framework AMP de Google en analysant ses performances et son impact sur le référencement. Il permet de comparer les résultats de recherche entre mobile et desktop, d'évaluer les métriques de performance (FCP, LCP, TTI, SI) et d'analyser les différences entre pages utilisant AMP et celles ne l'utilisant pas. Les données collectées sont exploitées via des notebooks pour des analyses approfondies.

Ce projet vise à analyser l'impact du framework AMP développé par Google sur la visibilité des résultats de recherche et sur les performances des pages web. Il contient des scripts de benchmark de référencement et de performance, ainsi que des notebooks permettant de comparer le rang d'apparition de résultats et les différences de performance.

Ce projet fournit une procédure d'inférence pour valider des modèles statistiques à partir de données synthétiques. Il permet de reproduire des exemples de simulation et d'analyse de données, notamment pour des modèles BRD (Bayesian Regression and Decision). Les utilisateurs peuvent exécuter des scripts R et Python pour comparer des statistiques observées et simulées, facilitant ainsi la validation de modèles complexes.

Ce projet permet de simuler et analyser différents systèmes électoraux (scrutin uninominal, proportionnel, Borda, etc.) pour étudier leur impact sur les résultats politiques. Il offre des outils pour comparer les méthodes de vote, visualiser les données et comprendre les dynamiques électorales. Destiné aux chercheurs, enseignants et citoyens, il facilite l'exploration des mécanismes démocratiques et des biais potentiels des systèmes de scrutin.

Ce projet développe une méthode pour classer les modèles d'IA conversationnelle utilisés dans le comparateur public compar:IA. Il calcule des scores de performance basés sur les réactions et votes des utilisateurs, tout en estimant leur consommation énergétique. Une interface graphique permet de visualiser l'évolution des matchs entre modèles et d'analyser les résultats selon différents critères, incluant une pondération écologique.

Ce projet open source permet de comparer et évaluer différents pipelines de modélisation numérique de terrain (DSM). Il facilite l'analyse statistique des reconstructions 3D générées par diverses méthodes (NASA ASP, CNES CARS, s2p-hd, IGN Micmac) et compare ces résultats à des vérités terrain. Les outils intégrés permettent de quantifier les performances des algorithmes pour des applications en cartographie, télédétection ou gestion des risques naturels.

Ce projet analyse la saisonnalité des charges de travail et de l'usage des systèmes IT dans les datacenters. Il étudie les données de six workloads HPC et de la charge Wikipedia pour identifier des motifs saisonniers, caractériser les pics d'activité et comparer différentes méthodes de prévision. Les résultats permettent d'optimiser la planification des ressources et d'anticiper les besoins en infrastructure.

Outil en ligne de commande conçu pour évaluer et comparer les performances de différents parseurs de code Fortran sur une base de code donnée. Il génère des statistiques et des résultats détaillés pour aider les développeurs à choisir l'outil le plus adapté à leurs besoins. Le projet inclut des analyses sur des bases de code réelles comme DYNAMICO, LMDZ ou ORCHIDEE, fournissant des métriques précises sur la couverture et l'efficacité des parseurs.

Projet académique dédié à la simulation et à l'analyse de reconfigurations logicielles dans des environnements distribués. Il permet de modéliser des composants, des assemblages et des langages de reconfiguration pour évaluer des scénarios complexes. Les expériences peuvent être exécutées localement ou sur des infrastructures comme Grid5000, avec des résultats collectés pour des analyses comparatives.

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.