Ce projet permet aux producteurs de données de publier leurs fichiers sur une infrastructure S3 compatible Minio. Il automatise l'upload des fichiers vers un bucket dédié et les référence comme ressources dans un jeu de données sur data.gouv.fr. Les métadonnées et le type de contenu sont configurés pour bénéficier de traitements automatisés, facilitant ainsi la diffusion et l'accessibilité des données publiques.

Ce projet automatise le traitement et la transformation de données médicales en utilisant le standard FHIR (Fast Healthcare Interoperability Resources). Il permet d'intégrer, normaliser et valider des données de santé issues de différentes sources pour les rendre exploitables dans des systèmes d'information médicaux. Le pipeline gère l'extraction, le nettoyage, le stockage et la mise à disposition des données via une API FHIR, facilitant ainsi l'interopérabilité entre systèmes de santé.

JPanda est une librairie Java dédiée à la manipulation et à l'analyse de données structurées sous forme de dataframes. Elle permet de charger, visualiser et transformer des données issues de fichiers CSV ou de tableaux en mémoire. Les utilisateurs peuvent effectuer des sélections, des calculs statistiques, des groupements et des agrégations pour extraire des informations pertinentes. L'outil est particulièrement adapté aux développeurs et data scientists souhaitant automatiser des traitements de données sans recourir à des solutions lourdes.

Ce projet vise à étudier les ondes corticales observées chez la souris en laboratoire. Il permet de détecter, suivre et analyser ces ondes ainsi que les mouvements corporels des animaux. Les outils développés automatisent le traitement des données brutes, calculent des paramètres descriptifs et génèrent des visualisations pour faciliter l'interprétation des dynamiques corticales. Les résultats sont utilisés pour approfondir la compréhension des mécanismes neuronaux.

Outil open source conçu pour automatiser et orchestrer des workflows d'analyse d'imagerie cérébrale fonctionnelle (IRMf). Il permet de construire des chaînes de traitement à partir de descriptions de configurations, d'exécuter ces workflows en parallèle sur des clusters de calcul, puis de post-traiter les résultats pour en extraire des statistiques et des corrélations. Destiné aux chercheurs et cliniciens en neurosciences, il facilite la reproductibilité et l'analyse comparative des données.

Ce projet fournit un ensemble d'outils et de workflows dédiés au traitement et à l'analyse de données issues de techniques de diffraction avancées, notamment pour la calibration et l'intégration de spectres de rayons X. Il facilite l'automatisation des processus expérimentaux et la gestion des données brutes et traitées, en s'appuyant sur des logiciels spécialisés comme pyFAI et Ewoks. Destiné aux scientifiques et chercheurs, il optimise la reproductibilité et la traçabilité des analyses.

Projet de deep learning dédié à l'analyse automatisée d'images archéologiques pour identifier des traces de pigment bleu sur les murs du Temple d'Apollon à Delphes. Développé en collaboration avec Archeovision et dans le cadre d'un master universitaire, il combine traitement d'images, augmentation de données et entraînement de modèles UNet pour produire des rapports d'évaluation précis et des masques de segmentation.

Ce projet développe des plugins pour PDAL (Point Data Abstraction Library), une bibliothèque open source dédiée au traitement de données LiDAR. Il permet d'ajouter des filtres spécifiques pour décimer, assigner des rayons ou manipuler des nuages de points géospatiaux. Le plugin facilite l'intégration de données IGN (Institut National de l'Information Géographique et Forestière) dans des workflows de traitement automatisés, optimisant ainsi la gestion et l'analyse de données 3D pour des applications variées comme l'urbanisme, l'environnement ou l'archéologie.

Ce projet automatise le téléchargement de lectures SRA depuis des bases de données génomiques, les convertit au format FASTQ et les stocke sur un bucket S3 dédié. Il utilise des infrastructures cloud (AWS Batch) pour exécuter des traitements par lots, permettant aux chercheurs de traiter efficacement de grandes quantités de données génomiques sans intervention manuelle.

Ce projet fournit des outils et services pour le traitement et l'analyse de données expérimentales issues de sources comme les synchrotrons. Il permet de surveiller en temps réel des fichiers de données scientifiques, d'évaluer la qualité des scans EXAFS, et de traiter des spectres MCA pour extraire des informations pertinentes. Destiné aux chercheurs et ingénieurs en physique expérimentale, il facilite l'automatisation et l'interprétation des résultats.