Ce projet vise à fournir des informations détaillées sur les ensembles de données, les schémas et les requêtes utilisés pour l'expérimentation dans une recherche sur l'optimisation de requêtes basée sur un schéma pour des bases de données de graphes. Les ensembles de données comprennent YAGO et LDBC-SNB, qui sont représentés sous forme de nœuds et d'arêtes dans des graphiques. Des schémas spécifiques ont été créés pour chaque ensemble de données pour aider à l'optimisation de requêtes basée sur un schéma. Les requêtes examinées dans l'étude sont acycliques et récursives ou non récursives, avec des formes de requêtes allant de l'arbre aux cycles.

Projet de développement d'une application mobile Android destinée à interagir avec des services backend. Il permet de récupérer, traiter et afficher des données dynamiques issues d'API externes. L'application inclut des fonctionnalités de gestion des requêtes réseau, de parsing de données structurées et d'optimisation des performances pour une expérience utilisateur fluide.

Projet de recherche visant à optimiser l'énumération de plans récursifs dans les optimiseurs de requêtes basés sur des transformations. Il propose une structure de données appelée RLQDAG pour comparer l'efficacité de différents moteurs de requêtes (SQL, graphes, RDF) sur des jeux de données variés comme Yago, Bahamas Leaks ou Airbnb.

RDFNeo est un outil conçu pour convertir et exploiter des données au format RDF (Resource Description Framework) dans des bases de graphes Neo4j. Il facilite l'intégration de données sémantiques dans des environnements orientés graphes, permettant une analyse plus intuitive et performante des relations entre entités. Utilisé dans des domaines comme la recherche, l'industrie ou les sciences des données, il optimise les requêtes complexes et améliore la visualisation des réseaux sémantiques.

Ce projet de recherche vise à améliorer l'estimation de la sélectivité des filtres spatiaux en utilisant des retours d'optimiseurs basés sur l'apprentissage automatique. Il explore différentes approches (réseaux de neurones, modèles arborescents, etc.) pour prédire efficacement la sélectivité des requêtes géospatiales, optimisant ainsi les performances des systèmes de gestion de bases de données spatiales.

Ce projet permet d'interfacer des bibliothèques Java avec des outils de traitement de données RDF (Resource Description Framework) via JNI. Il facilite la manipulation de triplets sémantiques, l'optimisation de requêtes et l'intégration avec des formats comme Protobuf pour des échanges de données performants.

Ce projet de recherche vise à améliorer l'estimation de la sélectivité des prédicats spatiaux multidimensionnels en utilisant des retours d'optimiseurs. Il explore divers modèles d'apprentissage automatique (réseaux de neurones, modèles basés sur les arbres, etc.) pour optimiser les requêtes spatiales dans les bases de données. Les résultats sont comparés à des méthodes traditionnelles comme les histogrammes ou les R-Tree.

Ce projet propose des supports de formation complets pour maîtriser les bases de données SQL, depuis les concepts fondamentaux jusqu'aux techniques avancées. Il couvre la modélisation des données, l'écriture de requêtes complexes, l'utilisation de PL/pgSQL pour la programmation procédurale, et l'optimisation des performances. Destiné aux étudiants, professionnels et formateurs, il facilite l'apprentissage autonome ou encadré.

Ce projet automatise le traitement de fichiers génomiques en découpant des séquences FASTA et en exécutant des requêtes BLAST en parallèle. Il permet d'optimiser les analyses génomiques en réduisant le temps de calcul grâce à une parallélisation efficace sur des infrastructures de calcul haute performance comme SLURM. Destiné aux chercheurs et laboratoires en biologie moléculaire, il facilite l'exploration de grandes bases de données génétiques.

Ce projet consiste en l'implémentation et l'optimisation de l'algorithme de dénombrement de triangles aléatoires utilisant des requêtes SQL. Il est destiné à être utilisé sur un cluster de 8 hôtes avec l'OS Ubuntu 16.04 LTE ou supérieur, et nécessite Python 2.6 ou supérieur ainsi que le client Python_vertica.