Outil d'analyse statistique basé sur des méthodes bayésiennes, conçu pour faciliter la visualisation et l'interprétation de données complexes. Permet aux chercheurs et analystes de modéliser des phénomènes, d'évaluer des hypothèses et de générer des rapports clairs à partir de données quantitatives.

Ce projet fournit un conteneur Singularity pour l'analyse statistique de données à l'aide de R-stan. Il permet d'exécuter des scripts R-stan pour des analyses bayésiennes dans un environnement isolé et reproductible.

Ce projet est un framework dédié à l'inférence bayésienne, permettant de modéliser des phénomènes complexes et d'analyser des données incertaines. Il facilite l'application de méthodes statistiques avancées comme le Metropolis-Hasting ou l'optimisation CMA-ES. Utilisé notamment en recherche médicale, il aide à déterminer des doses thérapeutiques optimales et à comprendre des dynamiques épidémiologiques.

Projet académique visant à appliquer des méthodes statistiques avancées (maximum de vraisemblance et MCMC) pour analyser des données astrophysiques. Le TP permet d'étudier la densité de matière dans un amas de galaxies et d'estimer le redshift d'une galaxie à partir de spectres réels. Les étudiants ont utilisé des outils comme scipy.optimize et emcee pour comparer les performances de différentes approches d'inférence bayésienne.

Outil de simulation statistique avancée utilisant des méthodes de Monte Carlo par chaînes de Markov (MCMC). Permet d'analyser des modèles complexes en évaluant leur convergence et en explorant efficacement l'espace des paramètres. Idéal pour les chercheurs et data scientists travaillant sur des problèmes d'inférence bayésienne ou nécessitant des simulations stochastiques précises.

Outil d'analyse statistique avancée utilisant des méthodes de Monte Carlo par chaînes de Markov (MCMC). Permet de valider la convergence de modèles complexes en exécutant plusieurs chaînes en parallèle. Idéal pour les chercheurs et data scientists travaillant sur des simulations probabilistes ou des inférences bayésiennes.

Ce projet est une bibliothèque Julia dédiée à la simulation, l'inférence statistique et la vérification de chaînes de Markov à temps continu. Il permet de modéliser des réseaux de réactions chimiques et des réseaux de Petri stochastiques, tout en offrant des méthodes d'approximation bayésienne pour l'analyse de systèmes dynamiques complexes. Les outils implémentés facilitent l'étude des processus stochastiques dans des domaines comme la biologie des systèmes ou la chimie computationnelle.

Ce projet étudie les déterminants de la vaccination dans sept pays d'Afrique francophone (Niger, Bénin, Burkina Faso, Côte d'Ivoire, Mali, Sénégal, Togo). Il combine des données socio-économiques issues d'enquêtes standardisées avec des analyses statistiques avancées (analyse factorielle multiple, modèles bayésiens et fréquentistes) pour identifier les facteurs influençant l'accès et l'adhésion aux programmes vaccinaux. Les résultats visent à éclairer les politiques publiques en santé.

Projet dédié à l'analyse et la modélisation de données à l'aide de méthodes statistiques avancées. Il permet de traiter des ensembles de données complexes, d'appliquer des algorithmes bayésiens pour inférer des probabilités et de visualiser les résultats sous forme de graphiques. Idéal pour la recherche, l'enseignement ou l'exploration de phénomènes aléatoires.

Ce projet permet de générer des rapports d'apprentissage automatique basés sur des modèles bayésiens. Il facilite l'analyse de données complexes en fournissant des insights probabilistes et des recommandations automatisées. Idéal pour les chercheurs, data scientists et entreprises souhaitant exploiter des méthodes statistiques avancées pour améliorer leurs décisions.