Ce projet est une ressource pédagogique destinée à initier les participants à la bibliothèque Matplotlib, un outil Python largement utilisé pour créer des visualisations de données. Il propose des exemples pratiques couvrant la création de figures, l'utilisation des couleurs, les différents types de graphiques et la gestion des annotations. L'objectif est de faciliter l'apprentissage des bases de la visualisation de données pour des applications scientifiques ou analytiques.

Ce projet pédagogique propose des ressources éducatives pour l'apprentissage de la programmation scientifique avec Python. Il inclut des cours théoriques et des travaux pratiques axés sur l'utilisation de la bibliothèque NumPy, essentielle pour manipuler des tableaux multidimensionnels et effectuer des calculs numériques. Destiné aux étudiants, il vise à renforcer les compétences en algorithmique et en analyse de données.

Ce projet est un support de cours et de travaux pratiques destiné à l'apprentissage de la bibliothèque numpy en Python. Il s'adresse principalement aux étudiants ou apprenants souhaitant maîtriser les bases du calcul scientifique et de l'analyse de données. Le contenu est structuré pour faciliter la compréhension des concepts clés et leur application pratique.

Ce service propose un environnement JupyterHub dédié aux étudiants et personnels de l'Université Paris-Saclay. Il permet d'accéder facilement à des notebooks interactifs pour le calcul scientifique, l'analyse de données et l'apprentissage de la programmation. Le service inclut des bibliothèques scientifiques standard, des outils pour l'enseignement du C++ et des environnements adaptés à plusieurs cours. Il est hébergé sur l'infrastructure cloud de l'université et utilise l'authentification Renater.

SympLearn est une bibliothèque Python dédiée à l'apprentissage automatique géométrique et à la simulation de systèmes dynamiques à long terme. Elle permet de modéliser des équations différentielles, d'entraîner des réseaux de neurones pour des problèmes géométriques, et de générer des trajectoires numériques précises. Utilisée dans des contextes scientifiques, elle facilite l'étude de phénomènes physiques comme les champs magnétiques ou les systèmes hamiltoniens.

Scikit-fda est une bibliothèque Python dédiée à l'analyse de données fonctionnelles (FDA). Elle permet aux chercheurs et data scientists de manipuler, visualiser et modéliser des données sous forme de fonctions continues, comme des courbes ou des signaux. Intégrée à l'écosystème scientifique Python, elle facilite l'application de méthodes statistiques et d'apprentissage automatique adaptées à ce type de données.

Ce projet pédagogique est conçu pour former des étudiants à l'utilisation de la bibliothèque NumPy en Python. Il propose des cours et travaux pratiques couvrant les bases du calcul scientifique et de l'analyse de données. Le contenu est structuré pour accompagner un enseignement académique et favoriser l'apprentissage pratique des concepts mathématiques appliqués à la programmation.

Bibliothèque expérimentale dédiée à l'implémentation de méthodes basées sur les forêts de Kirchhoff sur graphes. Elle propose des estimateurs pour des problèmes d'interpolation et de régularisation, notamment dans le cadre de la résolution de systèmes linéaires de grande échelle. Les algorithmes s'appuient sur des publications scientifiques récentes en traitement du signal et en apprentissage statistique.

Ce projet propose un cours et des travaux pratiques dédiés à l'apprentissage de la bibliothèque numpy en Python. Il s'adresse principalement aux étudiants ou professionnels souhaitant maîtriser les bases du calcul scientifique et de l'analyse de données. Le contenu est structuré pour faciliter la compréhension des concepts clés et leur application pratique.

Projet d'analyse de données scientifiques utilisant l'apprentissage profond pour la reconnaissance d'images. Il permet de suivre l'entraînement des modèles et de comparer leurs performances. Le projet est basé sur Python et utilise des bibliothèques telles que Pandas, PyTorch, TensorFlow, et MLflow.