Ce projet vise à éliminer les résultats de neuroimagerie non reproductibles, surnommés 'zombies', en promouvant l'utilisation de données ouvertes et de méthodes standardisées. Il propose des pipelines de pré-traitement, de contrôle qualité et d'analyse statistique accessibles à tous, afin de garantir la fiabilité et la réplicabilité des résultats scientifiques. L'objectif est de transformer les données brutes en ressources vivantes, vérifiables et partagées par la communauté.

Ce projet développe une approche innovante pour optimiser la consommation énergétique des plateformes de calcul haute performance (HPC) en utilisant des prédictions légères. Il propose une méthode de planification des tâches qui réduit les coûts opérationnels tout en maintenant des performances élevées. Les résultats sont validés scientifiquement et partagés sous forme d'artefacts reproductibles pour la communauté de recherche.

Plateforme permettant de créer, partager et collaborer sur des carnets de notes interactifs combinant texte, code, visualisations et données. Utilisé pour l'analyse de données, l'apprentissage automatique, la documentation technique ou la formation, il facilite l'expérimentation et la présentation des résultats de manière reproductible.

Ce projet permet de faciliter l'analyse de données avec le langage R, d'automatiser la création de rapports et de partager les résultats de manière reproductible.

Le projet NARPS Open Pipelines vise à reproduire les 70 pipelines de l'étude NARPS et à partager ce codebase en tant que ressource ouverte pour la communauté. Les reproductions sont basées sur les descriptions originales fournies par les équipes et testées pour la qualité en comparant les résultats avec les résultats originaux publiés sur NeuroVault.

Outil prototype conçu pour renforcer la reproductibilité des expériences et recherches scientifiques. Il permet aux chercheurs de documenter, partager et reproduire plus facilement leurs protocoles et résultats, favorisant ainsi la transparence et la fiabilité des travaux académiques ou industriels.

GraFlag est un framework open source conçu pour orchestrer des expériences de détection d'anomalies dans les graphes (GAD). Il permet de déployer, exécuter et évaluer des méthodes d'apprentissage automatique sur des clusters Docker Swarm, en utilisant un stockage partagé pour les données et les résultats. L'outil facilite la comparaison de performances entre différentes approches et assure la reproductibilité des expériences.

Pyseafuel est une bibliothèque Python conçue pour simplifier la gestion et l'analyse de données scientifiques. Elle propose des outils intégrés pour automatiser la génération de documentation technique, faciliter le partage de résultats et optimiser les calculs numériques. Destinée aux chercheurs et ingénieurs, elle permet de centraliser les processus analytiques tout en garantissant une meilleure reproductibilité des travaux.

NumVisco est un outil dédié à la gestion, l'analyse et le partage de données scientifiques issues d'expériences ou de simulations. Il facilite la collaboration entre chercheurs en offrant des fonctionnalités d'intégration continue, de suivi des données et de visualisation des résultats. Le projet s'inscrit dans un cadre institutionnel pour optimiser les processus de recherche et améliorer la reproductibilité des expériences.

Plateforme collaborative dédiée à l'analyse de données et à la simulation numérique. Elle permet aux chercheurs, ingénieurs et étudiants de travailler ensemble sur des notebooks interactifs pour explorer des jeux de données, exécuter des calculs complexes et visualiser des résultats scientifiques. L'outil facilite la reproductibilité des expériences et le partage des connaissances au sein d'équipes pluridisciplinaires.