Ce projet fournit des images Docker préconfigurées pour enseigner les sciences environnementales via JupyterLab. Il permet aux enseignants et formateurs de déployer rapidement des environnements pédagogiques reproductibles, accessibles en ligne ou localement. Les images incluent les outils nécessaires pour manipuler des données environnementales, facilitant ainsi l'apprentissage pratique et collaboratif.

Ce projet fournit un guide pratique pour utiliser Singularity, un outil de conteneurisation, afin de créer des environnements isolés et reproductibles pour exécuter des calculs parallèles avec OpenMPI. Il s'adresse aux chercheurs et ingénieurs souhaitant déployer des applications MPI sur des clusters de calcul de manière simplifiée, sans les contraintes des machines virtuelles classiques. Le projet inclut des exemples concrets pour compiler et exécuter des programmes MPI dans des conteneurs, facilitant ainsi la reproductibilité et la portabilité des calculs.

Ce projet propose des expériences scientifiques reproductibles en fournissant un environnement d'exécution standardisé via un Dockerfile. Il permet aux utilisateurs de recréer à l'identique les conditions nécessaires pour valider ou reproduire des résultats expérimentaux, garantissant ainsi la transparence et la fiabilité des travaux.

Ce projet fournit une solution unifiée pour créer et convertir des images conteneurisées (Docker et Singularity) destinées à l'intégration continue. Il combine deux projets existants en un seul workflow simplifié, permettant aux développeurs de déployer rapidement des environnements reproductibles et légers pour leurs pipelines CI/CD.

Ce projet fournit des instructions et des outils pour installer Docker sur des systèmes Linux, permettant de créer et gérer des conteneurs légers. Ces conteneurs exécutent des applications de manière isolée, indépendamment de l'environnement sous-jacent, ce qui simplifie le développement, les tests et le déploiement. Il s'adresse aux utilisateurs souhaitant optimiser leur workflow de développement ou exécuter des applications dans des environnements reproductibles.

Ce projet fournit un chart Helm pour déployer et gérer des applications dans un environnement Kubernetes. Il facilite l'automatisation des déploiements, la configuration des services et l'orchestration des conteneurs, permettant aux équipes de déployer rapidement et de manière reproductible des solutions logicielles complexes. Il s'intègre dans des environnements DevOps pour optimiser la gestion des infrastructures cloud.

Ce projet fournit une image conteneurisée pour faciliter le déploiement et la gestion d'applications dans des environnements standardisés. Il permet aux équipes de développement de déployer rapidement des solutions logicielles tout en garantissant une cohérence entre les différents environnements (développement, test, production). L'image est conçue pour être intégrée dans des pipelines CI/CD, offrant ainsi une approche automatisée et reproductible pour la livraison de logiciels.

Ce projet fournit une recette Singularity pour construire un conteneur Docker basé sur CentOS 6, optimisé pour exécuter TensorFlow. Il facilite le déploiement d'environnements reproductibles dédiés au machine learning, en encapsulant toutes les dépendances nécessaires dans un format portable et isolé. Idéal pour les chercheurs et développeurs souhaitant standardiser leurs environnements de travail sans se soucier des conflits de versions ou des configurations système complexes.

Cette image Docker fournit une base standardisée pour le déploiement de solutions d'automatisation robotique (RPA) dans l'environnement Passage2. Elle facilite la mise en place d'un environnement reproductible et optimisé pour exécuter des processus automatisés, réduisant ainsi les temps de configuration et d'intégration.

Ce projet fournit un tutoriel pour aider à comprendre et à utiliser Guix, un gestionnaire de paquets et d'environnements pour le développement informatique. Il offre une méthode pour créer un environnement de recherche reproductible, facilitant ainsi la collaboration et la vérification des résultats.