Ce projet académique développe des outils pour manipuler des polyèdres en trois dimensions. Il permet de les représenter, les importer et exporter depuis des fichiers au format OBJ, et de les décomposer en composantes connexes pour une analyse structurelle. Les algorithmes implémentés facilitent l'étude des propriétés géométriques et topologiques des modèles 3D, avec une approche modulaire et optimisée pour la gestion dynamique de la mémoire.

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 est un prototype dédié à l'analyse des données du réseau de télescopes CTA (Cherenkov Telescope Array). Il permet de calibrer les capteurs, nettoyer les données Hillas, reconstruire les événements astrophysiques et optimiser des modèles de simulation pour améliorer la précision des observations. Les outils développés facilitent le traitement des données brutes et la génération de résultats exploitables pour la recherche en astrophysique.

Ce projet utilise un modèle de langage (LLM) pour transformer des fichiers de métadonnées décrivant des tableaux statistiques en formats exploitables par des outils d'analyse et de diffusion. Il permet aux producteurs de données de décrire leurs tableaux via un classeur, puis de générer automatiquement un fichier structuré et validé, facilitant ainsi la publication et l'analyse des données statistiques.

Outil développé pour l'INERIS permettant d'identifier et caractériser des composés chimiques dans différents milieux (eau, air, sols). Il utilise des modèles d'intelligence artificielle pour analyser des données environnementales et détecter des sources de pollution. La plateforme permet aux experts de visualiser les résultats, de lancer des analyses et de gérer les accès sécurisés. Elle s'appuie sur des bases de données relationnelles et des services cloud pour le stockage et le traitement des données.

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 est dédié à l'analyse et au traitement de données issues d'expériences en physique nucléaire. Il permet de calibrer des détecteurs, de corriger des signaux temporels et énergétiques, et de simuler des réactions pour valider des modèles théoriques. Les outils intégrés facilitent l'extraction de paramètres physiques et la génération de visualisations pour l'interprétation des résultats.

McpDiffusion est un serveur MCP développé par l'INSEE qui expose des données publiques françaises via un protocole standardisé. Il agrège trois sources majeures : les publications officielles, les jeux de données détaillés et les définitions conceptuelles de l'INSEE. Destiné aux modèles de langage (LLM), il permet d'interroger ces données de manière structurée et automatisée, offrant ainsi un accès unifié à des informations économiques, démographiques et sociales essentielles pour l'analyse et la recherche.

Ce projet développe un modèle d'intelligence artificielle conçu pour analyser des transcriptions textuelles et prédire les symptômes de dépression de manière hiérarchique. Il s'appuie sur des données cliniques validées pour fournir une estimation automatique de l'état mental des patients. L'outil est destiné aux chercheurs et professionnels de santé souhaitant objectiver des évaluations subjectives. Le modèle est entraîné sur des corpus spécialisés et permet une analyse fine des interactions verbales.

Sex Detector++ est un outil bioinformatique conçu pour inférer statistiquement les gènes liés au sexe à partir de données RNA/DNA issues de croisements (parents et descendants). Il permet d'analyser des jeux de données génomiques de grande taille sur des machines standard, en améliorant significativement la vitesse et l'efficacité mémoire par rapport à la version originale en Perl. Trois variantes de modèles sont disponibles pour adapter l'analyse aux spécificités des données.