Ce projet consiste en une représentation de l'infection Salmonella à travers des équations différentielles, en utilisant la classe dfba_sampling. Il fournit des fonctions pour le modèle et l'échantillonnage, la simulation FBA, la sélection d'hyperparamètres et la réduction de données, ainsi que des fonctions de test et de visualisation.

BioPyC est une plateforme open-source Python permettant aux utilisateurs de lire, filtrer, classer et évaluer les performances de signaux EEG et physiologiques hors ligne. Il offre une interface unique pour créer rapidement des modèles d'apprentissage machine et comparer les classificateurs basés sur des signaux EEG et physiologiques sans codage.

InGenAnnot est un ensemble d'utilitaires permettant d'inspecter et de générer des statistiques pour un ou plusieurs jeux d'annotations géniques. Il permet la comparaison de structures et peut aider à prioriser les efforts de curation manuelle. InGenAnnot utilise parmi d'autres choses, la classification SO des gènes-spliceage [SO [1]] qui vise à classer les alternates transcrits en sept catégories ou l'Annotation Edit Distance [AED [2]] proposé comme métrique pour le soutien des preuves.

Ce projet implémente une solution pour classer les magasins de détail en fonction de leurs ventes annuelles en utilisant un jeu de données réel. Il comprend des algorithmes de nettoyage et de préparation de données pour gérer les caractéristiques catégorielles sales, ainsi qu'une méthode de classification des produits en utilisant une hiérarchie de produits locale. Les résultats sont validés en comparant avec des jeux de données étiquetés manuellement.

OrdinalClustering est une méthode permettant de comparer une classification (clustering) à une partition avec classes ordinales. Cela peut être utilisé dans le cadre de l'analyse de données pour évaluer la qualité de différentes méthodes de classification en fonction de leur capacité à reproduire une partition de référence avec classes ordinales.

Le projet cats-vs-dogs est un jeu de données utilisé pour l'apprentissage automatique dans le cadre du TP3 du cours 5ModIA-HDDL. Il permet de comparer et de classer des images de chats et de chiens.

Le Response Planner est un composant de la plateforme SOCCRATES qui est chargé d'évaluer les Courses of Action (CoAs). Il utilise le métrique RORI pour comparer et classer les CoAs. Pour évaluer les paramètres du métrique RORI, le RP récupère des informations sur la réduction de risque CoA auprès du composant ADG SOCCRATES. Le RP est également chargé de générer des Containment CoAs. Les Containment CoAs sont des contre-mesures à court terme pour isoler des hôtes ou filtrer le trafic réseau. Pour évaluer les Containment CoAs, le RP communique avec le composant BIA SOCCRATES pour évaluer l'impact commercial de la contre-mesure.

Le projet bso3-analyse-publications a pour objectif d'extraire et d'analyser les métadonnées de publications scientifiques au format PDF. Il utilise des techniques d'apprentissage automatique et de traitement du langage naturel pour détecter et classifier les entités nommées, extraire les métadonnées et comparer les similarités entre les documents.