HYPO-MPC est un projet visant à optimiser les paramètres hyper d'un système de contrôle prédictif de modèle (MPC) à l'aide de l'algorithme NSGA-II. L'objectif est de trouver des valeurs optimales pour les paramètres MPC, tels que l'horizon de temps, le coefficient de vitesse et gamma, pour améliorer les performances du système de contrôle.

Ce projet développe des outils avancés pour la modélisation et la simulation de réseaux de neurones profonds. Il vise à faciliter la recherche en intelligence artificielle en offrant des solutions pour l'entraînement, l'optimisation et l'évaluation de modèles prédictifs complexes. Destiné principalement aux chercheurs et ingénieurs en IA, il permet d'explorer des architectures innovantes et d'accélérer le développement de solutions basées sur l'apprentissage automatique.

Ce projet vise à concevoir et déployer des solutions basées sur l'intelligence artificielle pour répondre à des besoins métiers variés. Il permet d'automatiser des analyses complexes, de prédire des tendances ou d'optimiser des processus grâce à des algorithmes d'apprentissage automatique. Destiné aux chercheurs, développeurs et entreprises, il facilite l'intégration de modèles prédictifs dans des environnements réels.

GPy est un framework open source en Python dédié à la modélisation par processus gaussiens. Il permet aux chercheurs et data scientists de construire, analyser et optimiser des modèles prédictifs pour des données variées. Utilisé dans des domaines comme la biologie, la finance ou l'ingénierie, il facilite l'exploration de relations non linéaires et la prise de décision basée sur des données.

DeltaVinaXGB est un outil basé sur l'apprentissage automatique conçu pour évaluer et prédire les scores de liaison entre des protéines et des ligands. Il combine des méthodes de scoring traditionnelles avec des modèles de machine learning pour améliorer la précision des prédictions. Le projet permet également d'optimiser les conformations des ligands et d'analyser leur stabilité dans différents environnements, notamment en présence d'eau.

Plateforme dédiée à la modélisation et à l'analyse des réseaux énergétiques. Elle permet aux gestionnaires de réseaux, aux collectivités et aux industriels de simuler des scénarios de consommation, d'optimiser les flux énergétiques et de planifier des investissements. L'outil intègre des données en temps réel et des modèles prédictifs pour améliorer l'efficacité énergétique et réduire les coûts.

Ce projet développe des solutions d'intelligence artificielle pour analyser des données massives et automatiser des processus métiers. Il permet aux entreprises de prendre des décisions éclairées grâce à des modèles prédictifs et des algorithmes d'apprentissage automatique. Les outils proposés facilitent l'extraction d'insights pertinents et l'optimisation des performances opérationnelles.

Ce projet développe des agents autonomes capables d'apprendre et d'optimiser leurs actions dans des environnements simulés. Il utilise des techniques d'apprentissage par renforcement profond pour entraîner des modèles capables de prendre des décisions complexes. Les applications visent à résoudre des problèmes d'optimisation, de prédiction ou de contrôle dans des domaines variés comme la robotique, les jeux ou la logistique.

VP-GO est un algorithme de prédiction visuelle conditionnée par l'action, conçu pour améliorer les capacités de préhension des robots dans des environnements complexes comme des tas d'objets. Il permet de modéliser des mouvements robotisés en décomposant des actions sémantiques en mouvements élémentaires, facilitant ainsi l'entraînement de modèles de vision par intelligence artificielle. Le projet s'appuie sur des jeux de données existants pour optimiser les tâches de manipulation et de préhension.

Ce projet développe un modèle prédictif pour évaluer l'efficacité de l'outil dCas9 dans la régulation de l'expression génique chez la bactérie E. coli. Il permet de concevoir des bibliothèques de guides ARN optimisés pour des criblages CRISPRi, améliorant ainsi la précision et l'efficacité des expériences génomiques. Les résultats sont validés par des analyses comparatives avec des données publiées, offrant une approche plus économique et accessible pour la recherche en biologie synthétique.