Ce projet est un générateur de base de données de vulnérabilités dédié à la production de cas d'utilisation de failles XSS (Cross-Site Scripting) à des fins de détection et de prévention en sécurité informatique. Il permet de générer des jeux de données pour l'apprentissage automatique, facilitant ainsi le développement de méthodes de détection et de prévention de ces failles.

Ce projet est un générateur de base de données de vulnérabilités dédié à la production de cas d'utilisation de failles XSS (Cross-Site Scripting) à des fins de détection et de prévention en sécurité informatique. Il permet de générer des jeux de données pour l'apprentissage automatique, facilitant ainsi le développement de méthodes de détection et de prévention de ces failles.

ASCAD est un projet visant à fournir des outils d'analyse de canaux latéraux et d'apprentissage profond pour la sécurité informatique. Il permet d'identifier et de détecter les fuites d'informations sensibles dans les systèmes informatiques, ainsi que d'évaluer leur robustesse. Grâce à l'apprentissage profond, ASCAD est capable d'analyser de grandes quantités de données de sécurité et de détecter des schémas complexes.

SecuML est un outil Python qui vise à faciliter l'utilisation de l'apprentissage machine en sécurité informatique. Il est distribué sous la licence GPL2+. Il permet aux experts en sécurité de former des modèles de détection facilement et est accompagné d'une interface web pour visualiser les résultats et interagir avec les modèles. SecuML peut être appliqué à tout problème de détection et nécessite comme entrée des caractéristiques numériques représentant chaque instance. Il prend en charge les étiquettes binaires (malveillant vs. bénin) et les étiquettes catégorielles qui représentent les familles de comportements malveillants ou bénins.

Ce projet utilise des algorithmes d'apprentissage automatique pour améliorer la prise en charge médicale. Il permet la prédiction de maladies, l'assistance au diagnostic médical et la recherche de corrélations épidémiologiques.

Ce projet concerne la Science des Données, l'Apprentissage Statistique et l'Intelligence Artificielle. Il propose des tutoriels sous forme de calepins (jupyter notebooks) en R ou Python pour l'acquisition de compétences dans ces domaines, en s'appuyant sur des scénarios d'analyse de données réelles. Les aspects théoriques (mathématiques, statistiques) sont approfondis grâce à des vignettes détaillées sur le site wikistat.fr.