Ce projet implémente un algorithme de clustering permettant de générer des courbes de dispersion à partir de données pré-calculées et de courbes de dispersion préalablement sélectionnées. Les courbes de dispersion sont ajustées à l'aide de splines lissées et les incertitudes sont estimées en ajustant une fonction gaussienne sur les panneaux FTAN moyens.

Pipeline bioinformatique construit avec Snakemake pour l'analyse de données NGS environnementales de métabarcoding d'ADN environnemental, y compris le démultiplexage, le filtrage et le clustering de séquences en Operational Taxonomic Unit (OTU). Il est initialement testé avec des échantillons d'ADN environnemental marin et est adapté à tout type d'organismes et d'environnements.

Ce projet contient le code utilisé dans l'article intitulé "Clustering-Based Inter-Regional Correlation Estimation" qui permet d'estimer les corrélations inter-régionales à l'aide d'une méthode basée sur le clustering. Le dépôt comprend un notebook permettant de générer les figures et le contenu des tableaux de l'article, ainsi qu'un script R fournissant un exemple de correlation estimation sur des données simulées.

Déploiement d'un cluster Cassandra local et d'un replayer pour répliquer les données à partir d'une source Kafka. Orchestration des processus avec systemd. Chaque ordinateur héberge un nœud Cassandra, plusieurs instances de serveur RPC et plusieurs instances de replayer.

Ce projet permet de surveiller et détecter les problèmes dans les systèmes informatiques, en particulier dans les clusters Kubernetes. Il utilise des chartes Helm pour faciliter le déploiement et la configuration des composants nécessaires à la détection des anomalies et des pannes. Les données collectées sont ensuite analysées pour fournir des diagnostics précis et des recommandations d'actions correctives.

Ce projet consiste en l'analyse des données de consommations et habitudes alimentaires de l'étude INCA 3. Il est composé de trois parties : une analyse exploratoire des données et visualisations, un clustering d'individus à l'aide de méthodes telles que l'ACP, les K-moyennes et le Clustering Ascendant Hiérarchique, et une prédiction de l'IMC en utilisant des méthodes de Machine Learning supervisé en Python.

PLM4All est un projet dédié à la configuration de clusters Slurm pour l'exécution de tâches spécifiques nécessitant une quantité déterminée de GPU. Il offre des fonctionnalités de recherche de données et facilite la gestion des ressources matérielles pour des opérations d'inférence et d'apprentissage en deep learning.

Ce projet est le résultat du hackathon de l'ONU en 2022. Il contient du code développé pour analyser et visualiser des données à l'aide de PySpark, Pandas et Plotly Dash. Les jeux de données utilisés proviennent de l'ONU, d'IHS et de la FAO. Le dashboard de visualisation des données est déployé sur un cluster k8s et accessible à l'adresse https://datadive.lab.sspcloud.fr/.

Ce projet vise à fournir une formation en ligne sur la programmation en Python et l'analyse de données. Les modules couvrent les bases de la programmation, la manipulation de données avec la bibliothèque Pandas, les statistiques descriptives et inférentielles, les modèles avancés de régressions et clustering, et la collecte de données sur internet et l'utilisation d'API.

Le projet sticsquays est une plateforme d'analyse de données statistiques et de visualisation de données. Il permet aux utilisateurs de développer des modèles prédictifs et d'analyser des données en utilisant le langage de programmation R. Le projet est basé sur un conteneur Docker qui peut être exécuté localement ou déployé sur un cluster.