Projet dédié à l'analyse avancée de données massives pour en extraire des insights actionnables. Il permet de modéliser des scénarios prédictifs, d'optimiser des processus métiers et de détecter des anomalies dans des jeux de données complexes. Les résultats sont utilisés pour automatiser la génération de rapports et soutenir la prise de décision stratégique.

Ce projet consiste en une analyse de données de bioreacteurs et une simulation de dynamiques bactériennes à l'aide de modèles stochastiques différentiels. Les données brutes sont traitées pour obtenir des informations pertinentes dans des fichiers Matlab individuels, qui sont ensuite utilisés pour paramétrer les modèles et simuler les dynamiques en fonction de la séquence lumineuse. Le projet a été développé en Python et Matlab et nécessite des outils tels que Pandas, Numpy, Matplotlib, Seaborn, SciPy, SciKit et le statistics toolbox de Matlab.

Robot-WATCHDOG est un cadre de détection de défaillances pour les robots autonomes, utilisant une représentation par graphes spatio-temporels centrés sur les objets. Il identifie les erreurs relationnelles (saisie d'objets incorrects, violation d'ordre de tâches) en analysant les interactions entre objets dans des scènes dynamiques. Deux détecteurs complémentaires sont déployés : un transformateur graphique prédictif pour les environnements riches en données, et une méthode non paramétrique pour les scénarios avec peu d'exemples. Le système garantit un taux de faux positifs contrôlé grâce à la prédiction conforme, sans nécessiter de données d'échec.

L'école AstroInfo 2023 est une formation intensive de deux semaines dédiée à l'astronomie et à l'intelligence artificielle. Elle propose des cours théoriques et pratiques sur l'analyse de données astronomiques, le machine learning, le MLOps et le deep learning. Destinée aux étudiants et professionnels, elle vise à renforcer les compétences en traitement de données scientifiques et en modélisation prédictive.

Ce projet fournit des données et des outils pour l'analyse des prédictions de structures protéiques dans le cadre du défi CAPRI Round 55. Il inclut des jeux de données détaillés sur les prédictions générées par MassiveFold, des évaluations CAPRI-Q, et des analyses comparatives avant/après relaxation des modèles. Les résultats sont destinés à la recherche en biologie structurale et en immunologie.

Outil dédié à l'analyse et à la modélisation de données spectrales infrarouges (NIRS) pour les sols. Il permet aux utilisateurs de décrire leurs données spectrales (X) et leurs variables d'intérêt (Y), puis de calibrer des modèles de prédiction à l'aide de régressions PLS (PLSR, LWPLSR) ou d'analyses discriminantes (PLSDA). Principalement utilisé en pédologie et en analyse de sols, il facilite la compréhension des structures de données et la validation de modèles prédictifs.

Csv-detective-ml est un outil en ligne de commande permettant d'analyser des fichiers CSV et de détecter automatiquement les types de données contenus dans chaque colonne. Cet outil est basé sur des algorithmes de machine learning et permet de nettoyer et de préparer rapidement des données en vue de leur utilisation dans des analyses ou des modèles prédictifs.

DeepSTR est un projet d'analyse et de prédiction de l'impact fonctionnel des variations du génome, en particulier les variations répétitives (STR). Il inclut des algorithmes de machine learning et de fouille de données pour détecter des motifs dans les séquences d'ADN et prédire leur impact sur la régulation génique.

DExTER est un outil bioinformatique conçu pour analyser des séquences génomiques et des données d'expression génique. Il permet d'identifier des régions génomiques pertinentes (k-mers) associées à des conditions biologiques spécifiques. Le logiciel génère des modèles prédictifs pour comprendre les liens entre les séquences et l'expression des gènes, facilitant ainsi la recherche en biologie moléculaire et en génomique fonctionnelle.

HazardNet est un framework de prédiction des risques thermiques pour les datacenters. Il s'appuie sur une méthodologie de définition des anomalies thermiques et propose un pipeline complet de modèles de deep learning pour la détection et la prévision des anomalies. Les données sont collectées via une infrastructure de surveillance de datacenter sophistiquée et analysées pour prédire les risques thermiques potentiels dans les datacenters, évitant ainsi d'éventuels dommages aux équipements et interruptions de service.