Ce projet a pour but d'explorer et d'analyser les données essentielles de la commande publique (DECP) afin d'établir une prévision budgétaire pour le service du budget de l'État. Il consiste en un traitement et un filtrage des données DECP et budgétaires pour construire un périmètre identique.

Le dépôt quickstart est le point de départ pour le développement d'applications métiers dédiées à la gestion et l'analyse de données météorologiques. Il fournit des modèles réutilisables et des outils pour accélérer le développement et l'intégration avec des systèmes de prévision météorologique.

Ce projet vise à explorer la géographie des cultures agricoles françaises et leur exposition au changement climatique. Il s'appuie sur des données telles que le Registre Parcellaire Graphique (RPG), des prévisions climatiques du Drias et des données agro-météorologiques de surface ERA5. Le projet propose plusieurs applications, dont une interface de type tableau de bord, pour examiner les cultures à proximité d'un point géographique donné, comparer la composition observée avec les compositions départementale, régionale, etc., et étudier l'influence du climat passé sur l'évolution des cultures en France.

Ce projet vise à fournir des outils d'analyse et de prévision de la qualité de l'environnement, en utilisant des données provenant de différentes sources. Il permet d'aider les décideurs politiques et les citoyens à comprendre et à s'adapter aux changements environnementaux.

SeSAM est une plateforme d'analyse et de prévision des données environnementales. Elle permet de collecter, traiter et visualiser des données relatives à l'environnement telles que les données météorologiques, la qualité de l'air et la biodiversité. Grâce à des algorithmes avancés, SeSAM est capable de fournir des prévisions précises et des analyses détaillées pour aider les décideurs et les citoyens à mieux comprendre et à gérer leur environnement.

Le projet démon_cnrs vise à gérer et analyser des données environnementales en lien avec la météorologie. Il permet de stocker, organiser et traiter ces données pour fournir des prévisions environnementales.

HazardNet est un framework de prédiction des risques thermiques pour les datacenters. Il s'appuie sur une méthodologie de définition des anomalies thermiques et propose un pipeline complet de modèles de deep learning pour la détection et la prévision des anomalies. Les données sont collectées via une infrastructure de surveillance de datacenter sophistiquée et analysées pour prédire les risques thermiques potentiels dans les datacenters, évitant ainsi d'éventuels dommages aux équipements et interruptions de service.

Le projet micmac-scala est dédié à la simulation et l'analyse de la propagation épidémique au sein de populations. Il offre des fonctionnalités pour intégrer des données démographiques, calculer des dérivées et générer des prévisions de flux de population.

Le projet TI2018 est dédié à la gestion et l'analyse de données environnementales, en particulier météorologiques, pour fournir des prévisions et une surveillance de la qualité de l'air. Il offre des fonctionnalités d'analyse et de visualisation de ces données, permettant une meilleure compréhension et prise de décision dans le domaine de l'environnement.

Ce projet vise à développer des techniques de prévision de prix de l'électricité pour le marché portugais, en utilisant des méthodes statistiques, de Machine Learning et de Deep Learning. Il s'appuie sur une analyse approfondie de la littérature existante et sur l'utilisation d'un jeu de données unique pour surmonter les limites des études précédentes.