Outil d'analyse et d'évaluation dédié à l'apprentissage non supervisé, permettant d'évaluer la qualité des clusters générés par des algorithmes de partitionnement. Ce module Python calcule plus de 40 indices internes de validation (comme l'indice de Dunn, de Davies-Bouldin ou de Calinski-Harabasz) pour mesurer la cohésion et la séparation des groupes. Il propose également des outils d'analyse de densité, de visualisation 2D/3D et de détection de confusion entre clusters via des hypersphères multidimensionnelles.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en super-pixels. Les algorithmes implémentés incluent des méthodes de clustering pour regrouper les pixels similaires et des techniques de détection de points d'intérêt pour l'analyse visuelle.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en superpixels. Les algorithmes implémentés incluent des méthodes de traitement d'image classiques comme Sobel, ainsi que des techniques de clustering pour la segmentation.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en super-pixels. Les algorithmes implémentés incluent des méthodes de traitement d'image classiques comme Sobel, ainsi que des techniques de clustering pour l'analyse visuelle.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en super-pixels. Les algorithmes implémentés incluent des méthodes de traitement d'image classiques comme Sobel, ainsi que des techniques de clustering pour l'analyse visuelle.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en superpixels. Les fonctionnalités incluent également des algorithmes de clustering pour regrouper les pixels similaires et des méthodes pour normaliser les intensités lumineuses.

Le projet communautes-libres-graph est une application web permettant de visualiser et d'analyser des réseaux sociaux complexes. Il offre la possibilité de détecter des communautés et de les mettre en évidence grâce à des algorithmes de détection de clusters.

Ce projet contient les algorithmes utilisés par la plateforme Parcoursup pour la procédure nationale de préinscription pour l'accès aux formations initiales du premier cycle de l'enseignement supérieur. Il permet le calcul de l'ordre d'appel, le calcul des propositions d'affectation, le calcul des propositions d'hébergement en internat, et la gestion des démissions automatiques des voeux archivés pendant la phase de gestion des démissions.