Ce projet propose des ressources pédagogiques pour maîtriser les bases du calcul haute performance (HPC). Il couvre l'utilisation des superordinateurs, l'optimisation de code, le profilage de performances et le déverminage. Des exercices pratiques et des tutoriels détaillés accompagnent les apprenants dans la compréhension des outils comme Slurm, Guix ou LIKWID. Destiné aux débutants comme aux utilisateurs intermédiaires, il s'appuie sur des cas concrets pour faciliter l'apprentissage des bonnes pratiques en environnement HPC.

Ce projet développe une solution basée sur l'apprentissage profond pour localiser automatiquement les électrodes EEG dans des images IRM T1. Il permet de segmenter et d'extraire les coordonnées des électrodes détectées, facilitant ainsi l'analyse des données EEG-fMRI. Le système inclut des outils de post-traitement pour améliorer la précision des résultats et comparer les performances avec des méthodes existantes.

Ce projet propose des ressources et tutoriels pour maîtriser le langage Rust et optimiser des codes C++. Il inclut des exemples concrets de simulation scientifique, des outils de visualisation de traces GPU/CPU, et des benchmarks pour comparer les performances entre différentes implémentations. Destiné aux développeurs et chercheurs, il facilite l'apprentissage des bonnes pratiques en programmation parallèle et l'utilisation de Vulkan pour le calcul haute performance.

Projet pédagogique permettant aux étudiants de gérer et analyser des portefeuilles de cryptomonnaies. Il offre des outils pour suivre les transactions, évaluer la performance des actifs et comprendre les mécanismes des blockchains. Destiné à un usage académique, il facilite l'apprentissage des technologies décentralisées.

Caffe est un framework open source dédié à la programmation d'algorithmes d'apprentissage profond. Il permet aux chercheurs et développeurs de concevoir, entraîner et déployer des modèles de réseaux de neurones pour des tâches comme la classification d'images, la reconnaissance visuelle ou le traitement du langage. Utilisé dans la recherche académique et industrielle, il offre des outils pour optimiser les performances et faciliter l'expérimentation en intelligence artificielle.

Ce projet propose une introduction pratique au calcul haute performance (HPC) et au traitement de données scientifiques, notamment pour l'astrophysique. Il inclut des outils pour manipuler des fichiers de données, effectuer des calculs complexes comme des transformées de Fourier ou des produits de Hadamard, et évaluer des algorithmes de calibration. Destiné aux étudiants et chercheurs, il facilite l'apprentissage des méthodes numériques avancées.

Projet de master visant à appliquer des outils d'apprentissage profond (deep learning) pour résoudre un problème complexe de vision par ordinateur : la reconnaissance d'expressions mathématiques manuscrites. Il propose des méthodes pour analyser, segmenter et reconnaître des symboles mathématiques à partir de données manuscrites, avec des outils pour évaluer les performances des modèles développés.

Ce projet pédagogique vise à introduire les étudiants aux concepts d'analyse de performance logicielle et d'optimisation en C++. Il propose des outils pour évaluer et manipuler des produits de Hadamard, essentiels en calcul matriciel et en traitement du signal. Destiné aux cours universitaires, il facilite l'apprentissage pratique des techniques d'optimisation et de parallélisation.

Ce projet développe des outils pour analyser et caractériser les sources sismiques à partir de données GNSS en utilisant des modèles d'apprentissage profond. Il permet de générer des séries temporelles synthétiques, d'entraîner des modèles de deep learning et d'évaluer leur performance sur des données réelles et simulées.

GraFlag est un framework open source conçu pour orchestrer des expériences de détection d'anomalies dans les graphes (GAD). Il permet de déployer, exécuter et évaluer des méthodes d'apprentissage automatique sur des clusters Docker Swarm, en utilisant un stockage partagé pour les données et les résultats. L'outil facilite la comparaison de performances entre différentes approches et assure la reproductibilité des expériences.