Ce projet propose une plateforme éducative dédiée à la visualisation interactive des principaux algorithmes de tri. Il permet aux étudiants et enseignants d'observer pas à pas le fonctionnement de méthodes comme le tri à bulles, le tri rapide ou le tri fusion, facilitant ainsi la compréhension des concepts algorithmiques.

Ce projet académique implémente un algorithme de simplexe multicritère en Julia pour résoudre des problèmes d'optimisation avec plusieurs objectifs. Il s'appuie sur des méthodes avancées comme la forme révisée du simplexe et la décomposition LU. L'outil permet de traiter des instances générées aléatoirement ou issues de fichiers au format .mop, tout en optimisant les performances grâce à des prétraitements pour éliminer les redondances. Destiné à la recherche et à l'enseignement, il facilite l'analyse et la résolution de problèmes complexes en optimisation.

Projet pédagogique visant à enseigner les bases des algorithmes de tri et de manipulation de tableaux. Permet aux étudiants de comprendre et d'implémenter des méthodes classiques comme le tri par insertion, le tri à bulles ou le tri par sélection. Utilisé dans un cadre académique pour illustrer les concepts d'efficacité et de complexité algorithmique.

Ce projet permet de visualiser et d'expliquer le crible d'Ératosthène, une méthode algorithmique ancienne pour identifier les nombres premiers. L'outil génère une représentation visuelle du processus de filtrage des nombres, facilitant la compréhension des concepts mathématiques sous-jacents. Il est utile pour l'enseignement, la recherche ou la vulgarisation scientifique.

Projet dédié à l'enseignement et à l'apprentissage des méthodes numériques en sciences et ingénierie. Il permet aux enseignants de créer des contenus interactifs, d'automatiser l'évaluation des étudiants et de faciliter l'apprentissage pratique des algorithmes numériques. Utilisé dans un cadre académique ou de formation professionnelle.

Projet dédié à l'analyse et la modélisation de données à l'aide de méthodes statistiques avancées. Il permet de traiter des ensembles de données complexes, d'appliquer des algorithmes bayésiens pour inférer des probabilités et de visualiser les résultats sous forme de graphiques. Idéal pour la recherche, l'enseignement ou l'exploration de phénomènes aléatoires.