HYPO-MPC est un projet visant à optimiser les paramètres hyper d'un système de contrôle prédictif de modèle (MPC) à l'aide de l'algorithme NSGA-II. L'objectif est de trouver des valeurs optimales pour les paramètres MPC, tels que l'horizon de temps, le coefficient de vitesse et gamma, pour améliorer les performances du système de contrôle.

Le projet predictsignauxfaibles est un dépôt de code source Python permettant la production de listes de prédiction de signaux faibles dans des données financières. Il utilise des modèles entraînés et sérialisés pour effectuer des prédictions et générer des statistiques de performance.

Projet de défi de modélisation sur les épidémies de peste porcine africaine, comprenant des analyses de données exploratoires, des modèles de réseau de fermes et des simulations, ainsi que l'évaluation des performances prédictives.

Outil dédié à l'analyse statistique et à la modélisation prédictive pour les chercheurs et data scientists. Permet de manipuler des données, de construire des modèles complexes et de générer des rapports automatisés. Facilite la simulation de scénarios et l'évaluation de performances de modèles statistiques.

Ce projet développe des solutions d'intelligence artificielle pour analyser des données massives et automatiser des processus métiers. Il permet aux entreprises de prendre des décisions éclairées grâce à des modèles prédictifs et des algorithmes d'apprentissage automatique. Les outils proposés facilitent l'extraction d'insights pertinents et l'optimisation des performances opérationnelles.

EvalTools est une bibliothèque Python dédiée à l'évaluation des modèles de prédiction de la composition de l'atmosphère. Elle permet de comparer des observations in-situ avec des simulations issues de services comme le Copernicus Atmosphere Monitoring Service (CAMS). L'outil facilite le calcul et la visualisation de scores pour analyser la performance des modèles, notamment en qualité de l'air, sans gérer de données verticales. Il est utilisé par des organismes publics et scientifiques pour valider des prévisions environnementales.

Projet dédié à la création, l'entraînement et l'évaluation de modèles de machine learning pour la vision par ordinateur. Il permet de prédire des résultats à partir d'images en utilisant des architectures de réseaux de neurones comme U-Net. Le code est structuré pour faciliter l'entraînement, la sauvegarde et l'utilisation des modèles, avec des outils pour visualiser les performances et les prédictions.

MajS est un outil dédié à l'analyse et à la comparaison de réseaux biologiques, notamment pour l'étude des voies de signalisation et des prédictions de nœuds biologiques. Il permet de générer des solutions optimales à partir de règles logiques appliquées à des instances biologiques, facilitant ainsi la validation et l'interprétation des modèles. Les résultats sont utilisés pour comparer les performances avec d'autres outils comme Iggy.

Ce projet concerne le développement d'un outil d'apprentissage automatique basé sur le langage de programmation Python. Il s'appuie sur la bibliothèque scikit-learn pour offrir des fonctionnalités de préparation de données, de sélection et d'application d'algorithmes de machine learning, ainsi que d'évaluation des performances des modèles prédictifs.

Ce projet fournit le code nécessaire pour créer un tableau de bord de surveillance de la classification NACE (rev 2.1). Le tableau de bord, propulsé par les nouvelles fonctionnalités de Quarto, permet aux utilisateurs de suivre les performances du modèle, de visualiser les prédictions et de prendre des décisions éclairées basées sur des données quasi-en temps réel. Il est accessible à l'adresse [https://dashboard-ape.lab.sspcloud.fr/](https://dashboard-ape.lab.sspcloud.fr/).