CorTexT Structural Analysis est une méthode de CorTexT Manager permettant d'obtenir une vue d'ensemble de l'évolution d'un domaine ou d'un sujet donné. Elle fournit des statistiques sur les mesures macro-niveaux du réseau résultant.

Ce projet propose une analyse des réseaux structuraux de composés chimiques induits par la co-culture de micro-organismes. Il permet d'étudier les interactions entre espèces microbiennes et d'identifier de nouvelles molécules bioactives. Les données générées aident à la recherche en biotechnologie et à la découverte de composés d'intérêt thérapeutique ou industriel.

Ce projet propose une implémentation en PyTorch d'un réseau de neurones basé sur la géométrie des matrices symétriques définies positives (SPD). Il permet de construire et d'entraîner des modèles de deep learning adaptés aux données structurées sous forme de matrices SPD, souvent utilisées en traitement d'images ou en analyse de données géométriques.

Ce projet permet d'analyser et de modéliser des relations bidirectionnelles entre entités à partir de données structurées. Il facilite la compréhension des interactions complexes dans des réseaux, comme les flux logistiques, les relations sociales ou les systèmes biologiques. L'outil génère des visualisations et des métriques pour identifier des motifs, optimiser des processus ou simuler des scénarios dynamiques. Il s'adresse aux chercheurs, ingénieurs ou analystes travaillant sur des données relationnelles.

Ce projet permet de collecter, analyser et visualiser des données issues de compteurs (énergie, eau, etc.). Il offre des outils pour suivre les consommations en temps réel, générer des rapports et identifier des tendances ou anomalies. Destiné aux gestionnaires de réseaux ou aux fournisseurs de services, il facilite la prise de décision basée sur des données fiables et structurées.

Outil dédié à l'extraction de motifs graduels à partir de graphes de propriétés. Il permet d'identifier des relations de covariation entre attributs numériques dans des bases de données structurées sous forme de graphes. Utilisé pour analyser des données complexes et en extraire des connaissances exploitables, notamment dans des contextes de big data ou de modélisation de réseaux.

GetMFM est un outil dédié à l'acquisition, la lecture et la transmission de trames MFM (Multi Frame Message) issues de divers équipements électroniques comme des scalers, des réseaux ou des fichiers. Il permet de récupérer des données brutes ou structurées, de les analyser et de les transmettre à des systèmes comme Narval pour un traitement ultérieur. Utilisé principalement dans des environnements scientifiques ou industriels, il facilite la gestion de flux de données en temps réel ou différé.

KAN-ER est un cadre léger et interprétable pour la résolution d'entités dans des lacs de données. Il identifie des enregistrements référençant une même entité réelle à travers des sources de données variées. Basé sur les réseaux de Kolmogorov-Arnold, il analyse les similarités au niveau des attributs et fournit des explications sur les contributions des différents champs. Applicable aux données structurées, bruitées ou textuelles, il couvre des domaines comme la musique, la bibliographie ou le commerce en ligne.

Ce projet permet d'analyser et d'extraire des motifs spécifiques dans des réseaux ou des graphes, notamment pour identifier des chemins caractéristiques ou des structures récurrentes. Il facilite l'étude des relations entre entités et l'optimisation de flux, utile dans des domaines comme la logistique, la biologie ou l'informatique théorique. Les outils développés aident à transformer des données complexes en informations exploitables pour la prise de décision.

Musette est une bibliothèque R dédiée à l'analyse avancée de réseaux et de graphes. Elle permet de modéliser des relations complexes entre entités, d'optimiser des scores de performance et de visualiser des structures de données sous forme de graphes interactifs. Utilisée pour des études statistiques ou des recherches opérationnelles, elle facilite la détection de communautés, l'évaluation de chemins critiques et l'exploration de données multidimensionnelles.