Le projet ia-tracker est une solution de traitement et d'analyse de données en temps réel, permettant la détection d'anomalies et la prévision de tendances grâce à l'intelligence artificielle. Il offre une surveillance continue des données et des alertes en cas de problèmes détectés.

Le projet samellou est dédié au traitement et à l'analyse de données numériques, offrant des fonctionnalités avancées de calcul mathématique et de prévision de tendances. Il permet aux utilisateurs de manipuler et d'interpréter efficacement des ensembles de données complexes grâce à des algorithmes puissants et précis.

Ce projet vise à fournir des outils d'analyse et de prévision des tendances économiques grâce à l'intelligence artificielle. Il permet aux utilisateurs de mieux comprendre l'évolution de l'économie et de prendre des décisions éclairées.

Le projet sbip2 est une application web qui vise à fournir une plateforme d'analyse et de visualisation de données pour différents cas d'utilisation métiers. Il permet de représenter les données sous forme de graphiques, de tableaux et de cartes, et offre des fonctionnalités avancées telles que la détection de tendances, l'analyse de séries temporelles et la prévision de données.

Le projet simulation est dédié à la création de scénarios électoraux virtuels, à l'analyse de résultats de sondages et à la prévision de tendances de vote. Il permet aux utilisateurs de mieux comprendre les enjeux et les dynamiques des élections.

Open Signaux Faibles est un projet d'analyse et de prévision de signaux faibles économiques. Il permet de collecter, traiter et visualiser des données économiques pour détecter les tendances émergentes et prévoir les évolutions futures.

Le projet affluence-front est une application web Angular dédiée à la visualisation et l'analyse de données d'affluence dans les transports en commun. Il permet aux utilisateurs de consulter les prévisions d'affluence à des arrêts spécifiques et d'analyser les tendances dans le temps.

Ce projet académique vise à explorer et analyser des données financières et sectorielles à l'aide de méthodes de fouille de données. Il permet d'identifier des groupes homogènes de secteurs d'activité via des techniques comme l'ACP et le clustering, puis de prédire des indicateurs clés comme la capacité d'emprunt ou les prévisions annuelles. Les résultats sont visualisés pour faciliter l'interprétation des tendances et des regroupements.

Ce projet propose une formation complète en apprentissage automatique appliqué aux sciences du climat et au secteur de l'énergie. Il combine des cours théoriques et des travaux pratiques sur des données réelles pour enseigner aux étudiants comment extraire des motifs pertinents, prédire des variables et optimiser des processus. Les cas concrets incluent l'analyse de données de capteurs pour améliorer l'efficacité énergétique des bâtiments ou l'exploitation de prévisions climatiques pour anticiper les tendances futures.

Le projet sisir est une plateforme d'analyse et de prévision des tendances climatiques. Il permet aux utilisateurs de collecter, traiter et visualiser des données environnementales à partir de différentes sources. Grâce à des algorithmes avancés de machine learning, sisir est capable de prédire les évolutions du climat et d'identifier les facteurs qui influencent ces changements.