Ce projet implémente le modèle déterministe proposé par Darrigade et al. (2021) pour décrire la dynamique cellulaire dans la muqueuse intestinale, ainsi que sa sensibilité aux paramètres. Il fournit des notebooks Jupyter pour la résolution du modèle et l'analyse de sensibilité, avec des explications et des rappels sur l'article original.

Implémentation des fonctionnalités de modélisation et de reporting décrites dans des manuels de référence et des lignes directrices : analyse de sensibilité déterministe et probabiliste, analyse de l'hétérogénéité, prise en compte de la dépendance temporelle sur le temps d'état et le temps du modèle (modèles de Markov semi-Markov et non homogènes), etc.

Ce projet est un ensemble de scripts R dédié à la calibration de modèles écologiques complexes en utilisant la méthode ABC-RF-SA, qui combine l'Approximate Bayesian Computation (ABC), le Random Forest et l'analyse de sensibilité. Il fournit des scripts pour la génération de statistiques sommaires, la sélection de la meilleure simulation, l'analyse de sensibilité, et la calibration via ABC, ABC-RF et ABC-RF-SA.

Melissa est un cadre évitant les fichiers, tolérant aux pannes et élastique pour effectuer une analyse de sensibilité à grande échelle sur des supercalculateurs. Il traite les données en ligne, évitant ainsi le stockage intermédiaire de fichiers et permettant des études à grande échelle avec des millions de simulations parallèles. Melissa est construit autour de deux concepts clés : les algorithmes statistiques itératifs et le modèle asynchrone client/serveur pour le transfert de données.

Le package ALAMODE-cuspy est un outil en Python dédié à l'estimation de paramètres, à l'analyse de sensibilité et d'incertitude, ainsi qu'à la calibration de modèles hydrologiques et autres modèles similaires. Il est basé sur l'utilisation du package pyemu et de la suite de logiciels PEST++, qui offrent des fonctionnalités avancées pour l'analyse d'incertitude et la calibration de modèles.

DiceKriging est un package R dédié à l'inférence bayésienne et à l'optimisation de fonctions coûteuses. Il fournit des méthodes de krigeage pour l'analyse de sensibilité et la prédiction de sorties de modèles informatiques.

Ce projet vise à exposer les méthodes les plus récentes pour l'analyse de sensibilité, la propagation d'incertitudes et l'exploration numérique de codes numériques et des modèles associés dans le domaine de l'éducation.