Ce projet propose une formation d'introduction à l'apprentissage profond et à la bibliothèque PyTorch. Il met à disposition des notebooks Jupyter pour explorer des concepts fondamentaux comme la régression linéaire, les réseaux de neurones artificiels et l'optimisation de modèles. Destiné aux débutants, il inclut également des exercices pratiques et un bonus sur l'apprentissage par transfert.

Outil dédié à la modélisation et à la visualisation des activités des services RH, administration, communication et services généraux. Permet de représenter les processus métiers sous forme de diagrammes pour faciliter l'analyse et l'optimisation des flux de travail. Utilisé pour améliorer l'efficacité opérationnelle et la coordination entre les différents services.

Le modèle structural agnostique (SAM) est une méthode de découverte de causalité. Il utilise des indépendances conditionnelles et des asymétries de distribution pour trouver la structure causale sous-jacente à partir de données observationnelles. L'approche repose sur un jeu entre différents joueurs estimant chaque distribution de variable conditionnellement aux autres sous forme de réseau de neurones et un adversaire visant à discriminer les données générées contre les originales. L' critère d'apprentissage de SAM combine l'estimation de distribution, des contraintes de parcimonie et d'acyclicité pour optimiser la structure et les paramètres du graphe grâce à la descente de gradient stochastique.

OpenMOLE est une plateforme open-source développée depuis 2008 pour l'étude et l'optimisation de modèles numériques. Elle offre des outils pour exécuter, explorer, diagnostiquer et optimiser des modèles, en tirant parti d'environnements d'exécution distribués. Avec OpenMOLE, vous pouvez explorer des modèles déjà développés dans divers langages (Java, exécutables binaires, NetLogo, R, SciLab, Python, C++, etc.).

Ce projet propose des modèles 3D conçus pour être imprimés en trois dimensions. Chaque modèle est accompagné d'une documentation détaillée pour faciliter son utilisation et sa reproduction. Les fichiers sont optimisés pour l'impression additive et couvrent divers domaines d'application.

Ce projet académique développe des outils pour manipuler des polyèdres en trois dimensions. Il permet de les représenter, les importer et exporter depuis des fichiers au format OBJ, et de les décomposer en composantes connexes pour une analyse structurelle. Les algorithmes implémentés facilitent l'étude des propriétés géométriques et topologiques des modèles 3D, avec une approche modulaire et optimisée pour la gestion dynamique de la mémoire.

Ce projet développe un modèle d'optimisation pour concevoir des réseaux de vélos en libre-service intégrés aux transports publics. Il détermine l'emplacement des stations, leur capacité et le nombre de vélos initiaux, afin de maximiser la couverture de la demande de mobilité (trajets directs ou combinés avec les transports publics) sous contraintes budgétaires. Les résultats sont visualisés via une interface interactive et des notebooks analytiques.

Outil dédié à la décomposition et à la modélisation de cartes de densité obtenues par cryo-microscopie électronique (EM). Il permet de calculer des modèles de mélange gaussien (GMM) pour représenter des structures macromoléculaires complexes. Le projet utilise une approche par division et conquête pour optimiser les calculs, notamment sur des clusters de calcul haute performance. Les résultats sont convertis dans différents formats pour une intégration facile avec d'autres logiciels d'analyse structurale.

Ce projet développe des outils pour entraîner et simuler des réseaux de neurones distribués, permettant d'optimiser des modèles d'apprentissage automatique à grande échelle. Il facilite l'analyse de données complexes et la simulation de scénarios pour améliorer les performances des algorithmes d'intelligence artificielle.

Ce projet propose des bindings Python pour une bibliothèque Rust dédiée à la manipulation et à l'optimisation de formules logiques en déduction propositionnelle. Il permet aux chercheurs et développeurs d'accélérer les calculs de modèles et d'améliorer l'efficacité des outils d'analyse logique dans divers domaines comme l'intelligence artificielle ou la vérification formelle.