Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Ce projet est un framework dédié à l'inférence bayésienne, permettant de modéliser et analyser des données complexes. Il intègre des algorithmes d'optimisation comme CMA-ES et des méthodes d'inférence standard comme Metropolis-Hasting. Il est utilisé pour étudier des modèles épidémiologiques ou des processus hiérarchiques, notamment dans le domaine médical. Les exemples fournis illustrent son application pour la modélisation de systèmes biologiques et l'analyse de données incertaines.
- Ce projet fournit des outils et données pour simuler des profils électroniques dans des cibles gazeuses à deux chambres, en combinant des simulations CFD (Computational Fluid Dynamics) et des simulations Particle-in-Cell (PIC). Il permet de générer des profils de densité électronique pour l'hélium et l'azote, d'optimiser des paramètres laser via une approche bayésienne, et de post-traiter les résultats pour analyser les performances des injecteurs plasma. Les données et scripts sont conçus pour des études scientifiques dans le domaine de la physique des plasmas.
- Ce projet implémente un modèle mathématique pour évaluer l'identifiabilité pratique d'un système à partir de données synthétiques. Il permet d'estimer des paramètres individuels via un algorithme d'optimisation (CMA-ES) puis d'appliquer une procédure d'inférence bayésienne hiérarchique. Les résultats sont comparés à des références scientifiques pour valider la robustesse des méthodes. Le code est conçu pour des applications en biologie ou en modélisation dynamique.
- Ce dépôt contient des notebooks Jupyter illustrant les fonctionnalités de PyMoDAQ, une bibliothèque dédiée à l'acquisition et à l'analyse de données expérimentales en physique. Les notebooks montrent comment visualiser, analyser et traiter des données scientifiques (comme des courbes de résonance ou des scans) à l'aide d'outils intégrés. Ils incluent des exemples pratiques pour le traçage, l'ajustement de courbes, l'optimisation bayésienne et l'utilisation de processus gaussiens, facilitant ainsi l'exploration et l'interprétation des données expérimentales.
- Ce projet fournit des ressources pédagogiques pour les étudiants de l'ENSEEIHT en Sciences du numérique. Il couvre deux matières principales : l'optimisation sans contraintes et la méthode des différences finies pour les équations aux dérivées partielles (EDP). Les contenus incluent des polycopiés de cours, des travaux dirigés, des sujets de travaux pratiques et des fichiers sources pour les TP, organisés par matière.
7 initiatives
10