Ce projet se concentre sur l'optimisation et l'accélération de calculs intensifs liés au minage de données et à la résolution de problèmes mathématiques complexes. Il propose des méthodes de prétraitement, de partitionnement et de calcul parallèle pour traiter des volumes de données importants, tout en gérant des données corrompues ou partielles. Les solutions développées visent à améliorer l'efficacité des algorithmes existants, notamment pour des applications en cryptographie ou en analyse de données.

Ce projet académique vise à analyser et consolider des données d'observation astronomique en utilisant Apache Spark. Il permet de traiter de gros volumes de données pour calculer des statistiques sur les attributs, partitionner les données selon des critères spécifiques, et évaluer l'efficacité des configurations de partitionnement. Le travail inclut également des bonus comme la gestion des chevauchements de partitions ou l'utilisation d'intervalles de taille variable pour optimiser le stockage et l'accès aux données.

Projet académique visant à implémenter et analyser des algorithmes de partitionnement. Les étudiants développent des solutions pour résoudre des problèmes de découpage d'ensembles ou de données selon des critères spécifiques. L'objectif est de comparer les performances et les approches algorithmiques pour optimiser les traitements.

Ce projet permet d'analyser des réseaux complexes en filtrant les liens faibles pour renforcer la structure communautaire. Il facilite la détection de groupes cohérents dans des graphes, comme des réseaux sociaux ou des collaborations scientifiques. L'outil est utilisé pour étudier les interactions entre entités et améliorer la compréhension des dynamiques de groupe. Il s'appuie sur des algorithmes de partitionnement de graphes pour optimiser l'analyse des données relationnelles.

Ce projet académique traite de l'analyse statistique et du partitionnement de données astronomiques issues de relevés célestes. Il calcule les écarts-types moyens des attributs numériques, identifie les valeurs aberrantes et optimise le stockage des données pour des traitements ultérieurs. Les résultats sont utilisés pour améliorer la qualité des données et faciliter leur exploitation dans des études astrophysiques.

Magic Loop est un outil conçu pour faciliter l'extraction et l'analyse des données du DCIR (Datamart de Consommation Inter-Régimes). Il permet aux utilisateurs de récupérer de manière simplifiée les données nécessaires à leurs études, en tenant compte des contraintes de partitionnement. Intégré au portail SNDS, il s'adresse aux professionnels de santé et aux chercheurs pour optimiser leurs analyses de flux de soins.

Ce projet propose une implémentation et des expériences autour de l'algorithme CURGRAPH, utilisé pour le clustering itératif sous contraintes de rayon. Il permet d'évaluer et comparer des méthodes de partitionnement de graphes dans le cadre de la recherche en machine learning, notamment pour des applications en analyse de données complexes. Les résultats des expériences sont sauvegardés et structurés pour faciliter leur analyse et leur interprétation.

Le projet voronoi-diagramme est un outil permettant de générer des diagrammes de Voronoï à partir de données spatiales. Il est utilisé pour l'analyse de données et la visualisation de partitionnements d'espaces en cellules.