Ce projet académique vise à minimiser et analyser des données statistiques à travers des méthodes de vraisemblance et de génération de pseudo-données. Il permet aux utilisateurs de créer des jeux de données simulés, de calculer des fonctions de vraisemblance et de visualiser les résultats sous forme de graphiques. Destiné à des travaux pratiques en physique ou en statistique, il facilite l'apprentissage des méthodes d'optimisation et d'analyse de données.

Outil dédié à l'évaluation et à la comparaison de modèles bayésiens et d'algorithmes statistiques. Il permet de mesurer les performances de différentes approches en termes de précision, de temps de calcul et de robustesse. Utilisé par des chercheurs et des data scientists pour valider des hypothèses ou optimiser des modèles avant leur déploiement en production.

Melissa est un framework open source conçu pour optimiser les analyses de sensibilité et l'entraînement de modèles de deep learning à très grande échelle sur supercalculateurs. Il élimine le besoin de stocker des fichiers intermédiaires en traitant les données en transit, permettant ainsi de gérer des études impliquant des milliers de simulations parallèles sans surcharge de stockage. Le système coordonne des simulations numériques, des calculs statistiques et des entraînements de réseaux de neurones de manière efficace et résiliente.

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.

Ce projet académique vise à analyser et consolider des données d'observation astronomique en utilisant Apache Spark. Il permet de traiter de gros volumes de données pour calculer des statistiques sur les attributs, partitionner les données selon des critères spécifiques, et évaluer l'efficacité des configurations de partitionnement. Le travail inclut également des bonus comme la gestion des chevauchements de partitions ou l'utilisation d'intervalles de taille variable pour optimiser le stockage et l'accès aux données.

Ce projet académique traite de l'analyse statistique et du partitionnement de données astronomiques issues de relevés célestes. Il calcule les écarts-types moyens des attributs numériques, identifie les valeurs aberrantes et optimise le stockage des données pour des traitements ultérieurs. Les résultats sont utilisés pour améliorer la qualité des données et faciliter leur exploitation dans des études astrophysiques.

Ce projet permet de mesurer et analyser les performances computationnelles du framework SOFA. Il génère des statistiques de temps de calcul pour différentes scènes et branches, puis archive ces résultats. Un tableau de bord interactif permet de visualiser les données collectées, facilitant l'identification des régressions de performance et l'optimisation du code.

Ce projet vise à optimiser le calcul d'indices de Whittle, une méthode statistique utilisée pour analyser des séries temporelles ou des données spatiales. Il permet de réduire significativement le temps de traitement tout en maintenant une haute précision, ce qui est crucial pour les applications nécessitant des analyses rapides et fiables, comme la finance ou la recherche opérationnelle.

Prototype exploratoire visant à évaluer l'efficacité de la vectorisation pour accélérer les calculs de vraisemblance dans le domaine de l'astrophysique. Ce projet teste des méthodes numériques innovantes pour optimiser l'analyse statistique de données, notamment dans le cadre de l'étude des rayons gamma.

GSL (GNU Scientific Library) est une collection de routines numériques pour le calcul scientifique. Il offre une large gamme de fonctionnalités pour la résolution de problèmes mathématiques complexes, tels que l'algèbre linéaire, les équations différentielles, les statistiques, les fonctions spéciales et les algorithmes optimisés.