Ce projet vise à identifier et modéliser les relations de prérequis entre concepts éducatifs à partir de ressources en ligne. Il utilise des techniques d'apprentissage automatique pour analyser des cours et leurs dépendances, permettant ainsi de structurer des parcours d'apprentissage plus efficaces. L'outil est particulièrement utile pour les plateformes éducatives ou les institutions souhaitant personnaliser l'enseignement en fonction des prérequis conceptuels.

Bibliothèque logicielle dédiée à la modélisation et à l'inférence de modèles graphiques probabilistes. Elle permet de manipuler des densités de probabilité, d'estimer des paramètres à partir de données, de générer des échantillons aléatoires et d'analyser des séquences complexes. Utilisée principalement en statistiques, en apprentissage automatique et en traitement du signal pour résoudre des problèmes d'inférence et de prédiction.

HLA-EpiCheck est un projet de recherche utilisant l'apprentissage automatique pour prédire les épitopes HLA sur des antigènes. Il analyse des structures 3D d'antigènes HLA en générant des descripteurs moléculaires à partir de simulations de dynamique moléculaire. Ces descripteurs permettent de modéliser et prédire des épitopes B-cell, facilitant ainsi la compréhension des interactions immunitaires et le développement de traitements personnalisés en immunologie.

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.

BioAutoMATED est une plateforme d'apprentissage automatique (AutoML) dédiée à l'analyse de séquences biologiques. Elle intègre plusieurs méthodes AutoML dans un cadre unifié, offrant aux utilisateurs des techniques pertinentes pour l'analyse, l'interprétation et la conception de séquences biologiques. BioAutoMATED permet de prédire la régulation des gènes, les interactions peptide-médicament et l'annotation des glycanes avec une performance comparable à celle de modèles manuellement ajustés, mettant en évidence les caractéristiques séquentielles saillantes. En automatisant la modélisation des séquences, BioAutoMATED permet aux scientifiques de la vie de plus facilement intégrer l'apprentissage machine dans leur travail.

Ce projet est une formation en Python dédiée à l'analyse et la visualisation de données scientifiques. Il couvre des sujets tels que la manipulation de données avec NumPy et Pandas, la visualisation avec Matplotlib et Seaborn, l'analyse statistique avec Statsmodels, la modélisation et l'apprentissage automatique avec Scikit-learn.

Ce projet propose un cours complet sur le calcul différentiel et les équations différentielles ordinaires, destiné à une formation en modélisation et intelligence artificielle. Il inclut un polycopié détaillé, des travaux pratiques utilisant le langage Julia, et des ressources complémentaires pour approfondir les liens entre ces concepts mathématiques et l'apprentissage automatique. Le contenu est adapté à un public étudiant en formation continue ou initiale.

Projet académique ou de recherche utilisant des outils de calcul scientifique pour analyser des données, modéliser des phénomènes complexes et visualiser les résultats. Il permet de traiter des problèmes mathématiques ou statistiques et d'appliquer des méthodes d'apprentissage automatique pour résoudre des cas concrets.

Ce projet propose une formation en apprentissage automatique appliquée aux sciences environnementales et au secteur énergétique. Il utilise des notebooks Python pour enseigner l'analyse de données climatiques et énergétiques, en combinant méthodes statistiques traditionnelles et techniques avancées de machine learning. Les étudiants apprennent à extraire des motifs pertinents, modéliser des relations entre variables et prédire des tendances pour prendre des décisions éclairées dans des contextes environnementaux concrets.

Althread est un outil open source conçu pour modéliser et vérifier des systèmes multi-threads. Il permet aux développeurs de représenter facilement des processus concurrents, d'identifier automatiquement des problèmes comme les conditions de course ou les deadlocks, et de bénéficier d'outils de débogage avancés. Son syntaxe intuitive facilite l'apprentissage et l'utilisation, même pour les débutants.