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 décrit les données d'un jeu de données microbiologiques du Réseau de Mesures de la Qualité des Sols (RMQS) français. Il fournit une analyse détaillée des données et des métadonnées associées, ainsi qu'une description de la collection de données dans l'entrepôt de données du gouvernement français.

Ce projet consiste en deux analyses de données distinctes. La première exploite un jeu de données sur les ventes de jeux vidéo pour identifier les titres les plus vendus, les plateformes et éditeurs les plus populaires, ainsi que les tendances par région. La seconde utilise un dataset de races de chiens pour développer un modèle d'identification automatique basé sur des images. Les deux analyses visent à extraire des insights exploitables pour des décisions stratégiques.

PIAF (Pour une IA Francophone) est un projet public français porté par Etalab, visant à construire un jeu de données de questions-réponses en français, similaire au format SQuAD. Le projet utilise un sous-ensemble de Wikipedia en français, sélectionné via un algorithme de PageRank, puis enrichi par une communauté via une plateforme d'annotation. Les données générées sont analysées pour produire des statistiques lexicales et syntaxiques, facilitant ainsi l'entraînement de modèles d'IA francophones.

Outil d'analyse comparative permettant de comparer deux sous-corpus au sein d'un jeu de données pour identifier et visualiser les différences dans leur contenu textuel ou leurs champs catégoriels. Utilisé pour des études linguistiques, sociologiques ou marketing, il met en évidence les contrastes entre des ensembles de documents afin d'en extraire des insights pertinents.

Projet de recherche dédié à la détection automatisée des ombres dans les images satellites à haute résolution. Il permet d'identifier et de cartographier les zones d'ombre pour des applications en télédétection, urbanisme, gestion des risques naturels ou encore analyse environnementale. Le système utilise des modèles d'apprentissage profond entraînés sur un jeu de données dédié, offrant une solution robuste pour l'analyse des paysages urbains et naturels.

API dédiée à l'analyse et au pilotage des files de jeu pour des parties de jeux vidéo. Elle permet de consulter et filtrer des historiques de sessions en fonction de critères comme le serveur, le jeu, l'année ou la durée. L'outil offre également un référentiel des données disponibles pour faciliter les recherches et les analyses.

Ce projet permet de gérer et analyser les performances des joueurs et des équipes de football. Il offre des fonctionnalités pour suivre les statistiques individuelles et collectives, évaluer les compétences techniques et physiques des athlètes, et optimiser les tactiques de jeu. Destiné aux clubs, entraîneurs et analystes sportifs, il facilite la prise de décision basée sur des données précises et détaillées.

AtlanFlex est un jeu de données synthétiques conçu pour évaluer la flexibilité énergétique dans un quartier résidentiel via des thermostats intelligents. Il modélise la consommation de chauffage de 337 logements dans un climat côtier, en intégrant des scénarios de demande-réponse (réduction de consigne de température) et des comportements stochastiques des occupants. Les données incluent des séries temporelles de consommation, de température et de conditions externes, permettant d'analyser l'influence de la diversité des profils et des interactions avec les thermostats.

Ce projet vise à comparer plusieurs outils permettant d'identifier les cytosines méthylées dans des données fast5. Après avoir exécuté ces outils sur un jeu de données test d'Arabidopsis thaliana, une analyse comparative a été réalisée en termes de détection par sites. Il a été conclu que DeepSignalPlant était le plus performant. Ce dépôt contient des scripts permettant d'exécuter DeepSignalPlant et de générer des statistiques à partir de ses résultats.