Ce projet prépare les données nécessaires au simulateur socio-fiscal LexImpact. Il transforme des bases de données brutes (comme l'ERFS-FPR de l'INSEE) en formats compatibles avec le moteur de calcul OpenFisca. Il enrichit ces données avec des variables fiscales détaillées issues de POTE, impute des informations manquantes (loyers, effectifs d'entreprises), et ajuste les données pour refléter les réalités économiques actuelles. Le tout permet de simuler avec précision les prestations sociales et fiscales.

Ce projet se concentre sur la gestion des données manquantes dans les bases de données graphiques NoSQL. Il permet d'identifier, filtrer et imputer les valeurs manquantes pour faciliter l'extraction de motifs graduels. Les fonctionnalités incluent l'analyse de corrélations, le remplissage automatique des données et la génération de rapports structurés pour améliorer la qualité des données analysées.

Outil spécialisé dans l'imputation et l'analyse de données génétiques. Il permet de traiter des données brutes pour corriger les erreurs, imputer les valeurs manquantes et identifier les segments génomiques étrangers. Utilisé principalement dans le domaine de la génétique des populations et de la cartographie génétique, il facilite la détection de recombinaisons et l'estimation des fréquences alléliques.

Ce projet est un pipeline Nextflow pour l'harmonisation, l'imputation et l'analyse conjointe de statistiques de GWAS. Il intègre des workflows pour le prétraitement des données, l'imputation des données manquantes et l'analyse conjointe des traits. Le pipeline est conçu pour être exécuté de manière efficace sur des données multi-traits.

NOISYmputer est un outil spécialisé dans le traitement de données génomiques de type LC-NGS. Il permet d'imputer les données manquantes, de corriger les erreurs et de typer précisément les régions chromosomiques hétérozygotes. Basé sur des estimations de maximum de vraisemblance, il identifie également les points de recombinaison génétique, éliminant ainsi le besoin de pré-filtrage complexe des données bruitées.

Ce projet explore l'application des réseaux de neurones dans le domaine de la statistique publique. Il propose des méthodes et des cas d'usage concrets pour l'analyse de données, la classification d'images, l'imputation de valeurs manquantes et la réduction de dimension. Les travaux sont menés par des chercheurs de l'Insee et de la Banque de France, avec des applications variées allant de l'analyse de parcelles cadastrales à l'étude de données économiques.

Ce projet consiste en un réseau de neurones entraîné pour imputer des données manquantes dans les enquêtes de l'Insee. Il est développé en Python avec les librairies Keras et Tensorflow.

Package R pour la sélection génomique de lignées de blé, contenant des fonctions pour le calcul de la matrice de relation additive, la sélection de marqueurs, la réduction de la taille de la population d'entraînement, l'imputation de données manquantes, la simulation de QTL et la prédiction de la valeur génétique.

Ce projet concerne la modélisation de l'interaction entre le cerveau et le coeur, en particulier pour l'imputation de données manquantes et la simulation de scénarios cliniques. Il s'appuie sur des méthodes de modélisation mécaniste et d'apprentissage automatique.