Ce projet centralise les travaux réalisés sur la configuration et l'optimisation d'un système laser. Il couvre les mesures de stabilité, d'alignement, de calibration ainsi que l'analyse des bruits et des performances du laser. Destiné aux chercheurs et ingénieurs, il facilite la documentation et la reproductibilité des expériences.

Ce projet vise à améliorer la reproductibilité des analyses de données en intégrant des mécanismes de traçabilité des versions de code et des paramètres expérimentaux. Il permet de documenter automatiquement les conditions d'exécution des scripts, d'enregistrer les métadonnées associées aux résultats produits, et de vérifier l'intégrité des versions utilisées. L'objectif est de faciliter la réplication des analyses et de renforcer la confiance dans les données générées.

Ce projet propose une approche progressive pour optimiser les configurations de sources d'électrons générées par accélération laser-plasma. Il utilise des simulations numériques à faible fidélité pour explorer des paramètres physiques complexes, facilitant ainsi l'analyse des données et la reproductibilité scientifique. Les résultats permettent d'élargir les ensembles de données, d'entraîner des modèles d'apprentissage automatique et de comparer les résultats avec d'autres codes de simulation.

Ce projet revisite une étude scientifique analysant comment les choix analytiques influencent les résultats. Il propose une réplication des analyses originales avec des données mises à jour et une documentation détaillée des écarts méthodologiques. L'objectif est de rendre transparentes les variations dans les approches statistiques et de faciliter la reproductibilité des recherches.

Outil open source conçu pour automatiser et orchestrer des workflows d'analyse d'imagerie cérébrale fonctionnelle (IRMf). Il permet de construire des chaînes de traitement à partir de descriptions de configurations, d'exécuter ces workflows en parallèle sur des clusters de calcul, puis de post-traiter les résultats pour en extraire des statistiques et des corrélations. Destiné aux chercheurs et cliniciens en neurosciences, il facilite la reproductibilité et l'analyse comparative des données.

Pyseafuel est une bibliothèque Python conçue pour simplifier la gestion et l'analyse de données scientifiques. Elle propose des outils intégrés pour automatiser la génération de documentation technique, faciliter le partage de résultats et optimiser les calculs numériques. Destinée aux chercheurs et ingénieurs, elle permet de centraliser les processus analytiques tout en garantissant une meilleure reproductibilité des travaux.

Ce projet fournit un ensemble d'outils et de workflows dédiés au traitement et à l'analyse de données issues de techniques de diffraction avancées, notamment pour la calibration et l'intégration de spectres de rayons X. Il facilite l'automatisation des processus expérimentaux et la gestion des données brutes et traitées, en s'appuyant sur des logiciels spécialisés comme pyFAI et Ewoks. Destiné aux scientifiques et chercheurs, il optimise la reproductibilité et la traçabilité des analyses.

Metabo est une application dédiée à la gestion et au suivi des échantillons utilisés dans le cadre d'expérimentations en métabolomique. Elle permet aux chercheurs et laboratoires de centraliser, organiser et analyser les données liées à leurs échantillons biologiques, facilitant ainsi la traçabilité et la reproductibilité des expériences scientifiques.

BLISS est une bibliothèque open source conçue pour le contrôle et l'automatisation de systèmes expérimentaux dans des environnements scientifiques. Elle permet de gérer des équipements de laboratoire, d'acquérir et d'analyser des données en temps réel, et de visualiser les résultats obtenus. Utilisée principalement dans des centres de recherche, elle facilite la reproductibilité et l'efficacité des expériences.

Eds-scikit est un outil destiné aux data scientists travaillant sur le Data Warehouse Clinique de l'AP-HP. Il est spécifiquement conçu pour les données standardisées OMOP et a pour principaux objectifs de faciliter l'accès et l'analyse des données, de permettre un meilleur transfert de connaissances entre les projets et d'améliorer la reproductibilité de la recherche.