Ce projet est le code source du module 2 d'un parcours de formation à R dédié au pôle ministériel MTES-MCTRCT. Il vise à donner aux apprenants les compétences nécessaires pour préparer des données en vue d'analyses statistiques, en les explorant, les comprenant, les structurant et les enrichissant avec des données externes.

Csv-detective-ml est un outil en ligne de commande permettant d'analyser des fichiers CSV et de détecter automatiquement les types de données contenus dans chaque colonne. Cet outil est basé sur des algorithmes de machine learning et permet de nettoyer et de préparer rapidement des données en vue de leur utilisation dans des analyses ou des modèles prédictifs.

Le projet prepare_wgs_data est un outil en ligne de commande permettant de préparer et d'analyser des données de séquençage de l'ARN. Il permet de vérifier la qualité des données en utilisant des outils tels que FastQC et MultiQC, qui génèrent des rapports détaillés.

Le projet AU_metabo fournit un programme pour l'acquisition de données métabolomiques à l'aide de la RMN 1D 1H. Il permet la préparation des échantillons, l'optimisation des champs magnétiques, la détermination de la longueur du pulse et le traitement des spectres. Il est utilisé dans le cadre d'une étude visant à améliorer l'analyse à haut débit des échantillons de plantes.

Ce projet est un dépôt de code source qui fournit des scripts Python pour l'analyse de données économiques, la préparation de données pour l'apprentissage automatique, la réduction de dimension de données et la visualisation de données multidimensionnelles. Il utilise des bibliothèques telles que NumPy, Pandas, Requests, scikit-learn, TensorFlow et Keras pour fournir des fonctionnalités telles que le téléchargement de données, la préparation de données, l'estimation de modèles et la visualisation de données.

Le projet sitadel_dataviz est une application de visualisation de données écologiques qui permet de préparer, valoriser et afficher des données sur l'état de l'écologie. Il génère des graphiques et des rapports d'analyse pour aider à la prise de décision.

Ce projet consiste à développer des traitements distribués pour l'analyse, l'importation, la préparation et l'exportation de données relatives aux déchets. Il s'appuie sur les technologies Big Data telles que Spark et Hadoop, ainsi que sur des outils d'accès aux données comme PostgreSQL et Hive.

Ce projet est dédié à l'apprentissage des méthodes d'exploration multidimensionnelle essentielles pour la préparation des données, telles que l'analyse en composantes principales, l'analyse discriminante linéaire, l'analyse de correspondance, la position multidimensionnelle, la factorisation non négative, etc. Il couvre également la classification non supervisée (clustering) à l'aide de k-moyennes, de l'analyse hiérarchique, de DBSCAN et de mélanges gaussiens.

Plateforme dédiée à l'analyse des performances sportives des athlètes de l'INSEP et des fédérations sportives. Elle permet de collecter, traiter et visualiser des données d'entraînement et de compétition pour améliorer les résultats sportifs. Utilisée par les entraîneurs et les athlètes pour optimiser leur préparation.

Ce projet est une collection d'analyses décrites dans un article scientifique sur le volume et la surface du cervelet chez les personnes atteintes de troubles du spectre autistique (TSA). Il contient des scripts R pour effectuer une métanalyse de la littérature, préparer et analyser les données du projet ABIDE, et générer des tableaux de résultats.