Ce projet permet de générer des bases de données démographiques et géographiques synthétiques pour différents territoires (métropole, La Réunion). Il combine des données de population, de ménages et de découpage territorial pour produire des fichiers exploitables en analyse spatiale. Les données sont disponibles sous plusieurs formats (GeoPackage, Parquet, MBTiles, PMTiles) pour faciliter leur utilisation dans des outils de visualisation ou d'analyse.

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 vise à générer des données synthétiques à l'aide de modèles de langage (LLM) pour tester et évaluer des modèles d'intelligence artificielle. Il permet d'identifier des biais potentiels dans les algorithmes en créant des jeux de données artificiels variés et contrôlés, facilitant ainsi l'analyse des performances et des limites des modèles avant leur déploiement en conditions réelles.

DeepContour est un projet dédié à l'encodage de coordonnées pour la segmentation de lumen dans des images médicales comme l'OCT et l'IVUS. Il permet de générer des contours à partir de données d'images médicales, d'analyser leur distribution et de préparer les données pour des modèles d'apprentissage automatique. Les outils incluent des scripts pour le prétraitement, la génération de données synthétiques et la visualisation.

Ce projet fournit des outils et des données pour reproduire des expériences évaluant des algorithmes de prédiction de phases d'entrées/sorties (I/O) sur des traces synthétiques. Il inclut la génération de traces semi-synthétiques combinant des phases I/O réelles et des périodes d'inactivité, ainsi que des outils pour analyser et visualiser les résultats. Les expériences visent à tester la robustesse des algorithmes face à des scénarios variés, notamment avec ou sans bruit I/O.

Outil dédié à la lecture et à l'analyse de fichiers SVF (Synthetic Voice Format) générés par des synthétiseurs vocaux. Il permet de décoder et de restituer des données audio synthétiques pour des applications nécessitant une restitution vocale ou une analyse de signaux vocaux artificiels.

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.

Outil permettant de générer des graphes synthétiques pour des bases de données NoSQL, notamment Neo4j. Il facilite la création de jeux de données réalistes ou aléatoires pour tester, développer ou analyser des modèles de données orientés graphe. Idéal pour les développeurs, data scientists ou équipes techniques travaillant avec des bases de données graphes.

PapieRmache est un outil dédié à l'analyse avancée de données textuelles et à la génération de rapports visuels. Il permet aux utilisateurs d'explorer, structurer et visualiser des corpus linguistiques ou des ensembles de données textuelles pour en extraire des insights pertinents. Idéal pour les chercheurs, les data analysts ou les équipes marketing, il facilite la création de visualisations claires et de documents synthétiques à partir de données brutes.

Ce projet développe des outils pour analyser et caractériser les sources sismiques à partir de données GNSS en utilisant des modèles d'apprentissage profond. Il permet de générer des séries temporelles synthétiques, d'entraîner des modèles de deep learning et d'évaluer leur performance sur des données réelles et simulées.