CIRA est un outil d'analyse dédié à l'évaluation et à l'optimisation des interfaces de puces électroniques (chiplets). Il permet aux ingénieurs et chercheurs de détecter les défauts de connexion (ouverts, courts, etc.), d'analyser leur réparabilité et de générer des solutions de réparation. Grâce à des modèles de défauts et des analyses statistiques, CIRA aide à améliorer le rendement de fabrication des puces en identifiant les zones critiques et en proposant des mécanismes de réparation adaptés.

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.

Outil dédié à la sélection et à la génération de cas de charge pour des études liées aux éoliennes flottantes (FOWT). Il fournit des données environnementales (vent, vagues) pour plusieurs sites offshore (ex : West of Barra, SEM-REV, Golfe de Fos). Permet de générer des séries temporelles réalistes pour le vent et les vagues, en s'appuyant sur des modèles statistiques et des paramètres normalisés. Utilisé par des ingénieurs structurels, des économistes ou des contrôleurs pour des études de fatigue, de charges extrêmes ou d'optimisation.

Fluo_batch_fit est un outil conçu pour automatiser et optimiser le traitement de données en masse. Il permet aux utilisateurs de configurer des pipelines d'analyse, d'appliquer des modèles statistiques ou d'apprentissage automatique, et de générer des rapports ou des jeux de données transformés. Idéal pour les équipes data science ou les services nécessitant des analyses répétitives et scalables.

Bibliothèque Python pour l'apprentissage statistique à dépendance temporelle, avec un focus sur les processus ponctuels. Elle propose des outils pour les modèles linéaires généralisés et un module d'optimisation générique.

Musette est une bibliothèque R dédiée à l'analyse avancée de réseaux et de graphes. Elle permet de modéliser des relations complexes entre entités, d'optimiser des scores de performance et de visualiser des structures de données sous forme de graphes interactifs. Utilisée pour des études statistiques ou des recherches opérationnelles, elle facilite la détection de communautés, l'évaluation de chemins critiques et l'exploration de données multidimensionnelles.

Ce projet est un framework dédié à l'inférence bayésienne, permettant de modéliser des phénomènes complexes et d'analyser des données incertaines. Il facilite l'application de méthodes statistiques avancées comme le Metropolis-Hasting ou l'optimisation CMA-ES. Utilisé notamment en recherche médicale, il aide à déterminer des doses thérapeutiques optimales et à comprendre des dynamiques épidémiologiques.

Ce projet contient différents outils pour modéliser des jeux de données d'adaptation humaine à l'aide de modélisation d'espaces d'état, y compris la directionnalité, les ruptures, l'optimisation lmse ou maximisation des attentes, ainsi que les propriétés statistiques de l'historique d'erreur.