BuDDy est une bibliothèque C++ de deuxième génération dédiée aux Diagrammes de Décision Binaire (BDD). Développée initialement par Jorn Lind-Nielsen, elle permet de simplifier et d'optimiser des circuits logiques, d'analyser et de vérifier des systèmes numériques, ainsi que de réduire la complexité algorithmique.

CGoGN est un ensemble de bibliothèques logicielles open source dédiées à la modélisation géométrique 3D et à la visualisation scientifique. Il propose des outils pour manipuler des maillages, des surfaces et des volumes, ainsi qu'une interface intégrée (SCHNApps) permettant de créer des applications personnalisées via un système de plugins. Destiné aux chercheurs, développeurs et industriels, il facilite la conception d'outils dédiés à l'analyse et à la simulation dans des domaines comme la géométrie algorithmique ou la visualisation de données complexes.

Ce projet développe des outils algorithmiques pour analyser et optimiser des politiques de cache dans les systèmes informatiques. Il permet de modéliser des flux de données complexes, d'évaluer des politiques de gestion mémoire et de simplifier des expressions booléennes pour améliorer les performances des systèmes. Les solutions proposées sont principalement destinées aux développeurs et chercheurs en informatique.

Le projet DeepPhysX.Torch est un package Python dédié à la simulation et à la prédiction de systèmes physiques complexes. Compatible avec le framework PyTorch, il permet de modéliser et d'analyser divers phénomènes physiques grâce à des algorithmes d'intelligence artificielle. Destiné aux chercheurs et ingénieurs, il offre des fonctionnalités avancées pour une meilleure compréhension et prédiction des comportements de matériaux et systèmes physiques.

Ce projet pédagogique vise à enseigner les structures de données fondamentales, notamment les graphes, et leur impact sur la complexité algorithmique des opérations. Il propose des travaux pratiques pour implémenter et manipuler ces structures, tout en analysant leur efficacité. Destiné aux étudiants en informatique, il inclut des guides d'introduction, des exercices d'implantation et des rapports à rédiger.

Projet open source dédié à l'analyse et à l'optimisation de processus algorithmiques. Il permet aux utilisateurs de traiter des données massives, d'identifier des tendances ou des anomalies, et d'automatiser des tâches complexes. Idéal pour les développeurs, chercheurs ou entreprises cherchant à améliorer l'efficacité de leurs systèmes grâce à des algorithmes avancés.

Ce projet académique vise à concevoir et entraîner des modèles de machine learning pour résoudre des problèmes complexes en analyse de données. Il s'appuie sur des jeux de données variés pour développer des algorithmes capables de prédire des tendances, classifier des informations ou optimiser des décisions. Destiné principalement aux chercheurs et étudiants, il facilite l'expérimentation et l'innovation dans le domaine de l'intelligence artificielle.

P4a est un projet d'analyse et de comparaison des performances entre différentes structures de données en C# (listes classiques, listes chaînées et listes de hachage). Il permet d'évaluer leur efficacité lors d'opérations comme la recherche d'éléments ou la copie de données, en mesurant les temps d'exécution et la consommation mémoire. Les résultats sont utilisés pour valider ou infirmer des hypothèses sur leur complexité algorithmique.

GATB-CORE est une bibliothèque C++ hautes performances et à faible empreinte mémoire dédiée à l'analyse de données de séquençage à haut débit. Elle fournit des algorithmes efficaces pour la manipulation de jeux de données de grande taille sur des ordinateurs de bureau multi-cœurs, y compris des données de séquençage provenant de n'importe quel type d'organismes, tels que des bactéries, des plantes, des animaux et même des échantillons complexes (par exemple, des métagénomes).

Ce projet vise à concevoir et déployer des solutions basées sur l'intelligence artificielle pour répondre à des besoins métiers variés. Il permet d'automatiser des analyses complexes, de prédire des tendances ou d'optimiser des processus grâce à des algorithmes d'apprentissage automatique. Destiné aux chercheurs, développeurs et entreprises, il facilite l'intégration de modèles prédictifs dans des environnements réels.