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.

Le projet SOMA-DNS a pour but de développer des implémentations efficaces de techniques de simulation particulaire sur des architectures GPU massivement parallèles. Il se concentre sur les systèmes physiques à l'échelle mésoscopique, tels que les suspensions colloïdales, où les techniques de simulation particulaire telles que la dynamique moléculaire (MD), la dynamique brownienne (BD), la dynamique dissipative des particules (DPD) et la dynamique stochastique des rotations (SRD) sont largement utilisées. Le projet a pour objectif d'optimiser la recherche de voisinage, qui est le principal goulot d'étranglement dans ces techniques, et de créer un logiciel open source pour la simulation de suspensions colloïdales.

Bibliothèque Java pour l'optimisation stochastique basée sur les chaînes de Markov réversibles couplées avec l'annealing simulé. C'est le portage de librjmcmc en Java.

Librjmcmc4s est une bibliothèque Scala pour l'optimisation stochastique basée sur des chaînes de Markov réversibles couplées avec l'annealing simulé. Il s'agit de la version Scala de librjmcmc.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour une variété de tâches, telles que la reconnaissance d'images, le traitement du langage naturel, la prédiction de séries temporelles et la détection d'anomalies. TensorFlow prend en charge une grande variété d'algorithmes d'apprentissage automatique, y compris les réseaux de neurones convolutifs, les réseaux de neurones récurrents et les algorithmes d'optimisation stochastique.

Le projet optimisation vise à améliorer l'efficacité et la productivité des processus métiers grâce à l'automatisation et au suivi en temps réel. Il permet de simplifier les tâches répétitives, de détecter rapidement les goulets d'étranglement et de prendre des mesures correctives.

Le projet Optimisation vise à améliorer l'efficacité et la productivité des processus métiers grâce à l'automatisation et la gestion de workflows. Il permet de simplifier et d'accélérer les tâches répétitives, offrant ainsi un gain de temps et une meilleure qualité de travail.