Ce projet open source vise à fournir une infrastructure de développement logiciel centralisée pour les équipes techniques. Il permet de gérer le code source, d'automatiser les tests et les déploiements, et d'améliorer la collaboration entre développeurs. Le projet intègre des outils de sécurité pour détecter les vulnérabilités et optimiser les workflows de développement.

Outil d'intégration continue dédié aux projets Python 3.8, permettant d'automatiser les tests, la détection d'erreurs et l'optimisation des workflows de développement. Facilite la collaboration entre développeurs en fournissant un environnement standardisé pour valider et déployer du code de manière fiable et reproductible.

Outil d'intégration continue dédié aux projets Python 3.12, permettant d'automatiser les tests, la détection d'erreurs et l'optimisation des workflows de développement. Facilite la collaboration entre développeurs en garantissant la qualité du code avant déploiement.

Ce projet est une bibliothèque Python conçue pour simplifier la gestion des propriétés dans les classes en utilisant des décorateurs. Il permet de réduire la verbosité du code tout en améliorant sa clarté et sa maintenabilité. Idéal pour les développeurs cherchant à optimiser leurs implémentations orientées objet en Python.

Ce projet fournit une infrastructure d'intégration continue dédiée aux projets Python 3.11. Il permet aux développeurs d'automatiser les tests, de détecter les régressions et d'optimiser leurs workflows de développement. En analysant le code source, il facilite la maintenance et améliore la qualité des logiciels produits.

Ce projet démontre l'utilisation de transonic pour accélérer les scripts et applications Python. Il offre des exemples concrets de code amélioré grâce à l'optimisation de performances fournie par transonic.

Ce projet propose une formation spécialisée en calcul haute performance (HPC) avec Python, destinée aux développeurs et chercheurs. Il couvre l'optimisation de code, l'analyse de performance, l'utilisation de bibliothèques scientifiques (NumPy, SciPy, Pandas) et les outils de parallélisation. Les participants apprennent à exploiter les fonctionnalités de Python pour des calculs intensifs et à déployer des solutions sur des infrastructures HPC.

Eragpy est une bibliothèque Python conçue pour aider les développeurs à gérer les erreurs de manière efficace. Elle propose des mécanismes de logging avancés, des outils de débogage intégrés et des bonnes pratiques pour améliorer la robustesse des applications. Adaptée aux projets de toutes tailles, elle facilite l'identification et la résolution des problèmes tout en optimisant la maintenance du code.

Fluidsim est un framework extensible pour l'étude de la dynamique des fluides avec simulations numériques à l'aide du langage Python. Il permet de développer des solveurs de fluides (i.e. des packages Python résolvant des équations) en écrivant principalement du code Python. Les tâches gourmandes en temps sont effectuées par des fonctions compilées optimisées.

Ce dépôt de code héberge les exercices et solutions pour le cours de Machine Learning et Optimisation (M2-SGB). Il propose des notebooks Python accompagnés de données spécifiques à chaque exercice. Les étudiants y développent leurs propres modèles lors des séances pratiques, sous la supervision de l'enseignant.