Ce projet propose des implémentations parallèles optimisées de l'algorithme de clustering k-means, adaptées aux architectures CPU multi-cœurs et GPU NVIDIA. Il permet d'analyser de grands volumes de données en réduisant significativement le temps de calcul grâce à des techniques de parallélisation avancées. Les utilisateurs peuvent exploiter des jeux de données réels ou synthétiques pour des applications en science des données, en apprentissage automatique ou en analyse statistique.

Projet dédié à l'optimisation et au traitement avancé de données numériques et d'images, notamment pour des applications scientifiques ou techniques. Il facilite les calculs intensifs et la manipulation de grands volumes de données avec des outils performants et adaptés aux environnements haute performance.

Bibliothèque et outil open source dédié au traitement et à l'analyse d'images 3D issues de scanners à tomographie. Il permet de manipuler, transformer et analyser des volumes d'images médicales ou scientifiques avec des algorithmes parallélisés et optimisés. Le projet inclut également des outils pour distribuer les calculs sur des clusters, facilitant le traitement de grands jeux de données.