Ce projet propose une implémentation et des expériences autour de l'algorithme CURGRAPH, utilisé pour le clustering itératif sous contraintes de rayon. Il permet d'évaluer et comparer des méthodes de partitionnement de graphes dans le cadre de la recherche en machine learning, notamment pour des applications en analyse de données complexes. Les résultats des expériences sont sauvegardés et structurés pour faciliter leur analyse et leur interprétation.

Le projet otb-slic est une implémentation à grande échelle de l'algorithme SLIC (Simple Linear Iterative Clustering) pour la segmentation d'images. Il est utilisé pour l'analyse d'images satellitaires, le traitement d'images médicales et la segmentation de scènes urbaines.

Ce projet est une bibliothèque Python dédiée au clustering sous contrainte de rayon. Il permet de regrouper des données en clusters où chaque point est à une distance maximale d'un centre, en utilisant des algorithmes basés sur le problème du Dominating Set Minimum. Idéal pour des applications nécessitant une segmentation précise et optimisée des données spatiales ou multidimensionnelles.

Ce projet implémente une étude de faisabilité sur la mise en œuvre de la méthode de l'ensemble dominant minimum (MDS) pour le clustering sous contraintes de rayon. Il fournit des fonctionnalités de benchmarking et de comparaison de résultats.

Projet dédié à l'analyse et à la simulation de communautés microbiennes via des méthodes de clustering et d'optimisation métabolique. Il permet d'étudier les interactions entre espèces bactériennes, de tester des scénarios de croissance et de comparer des modèles pour valider des approches computationnelles en biologie systémique.