Outil web permettant la sélection de données radar Sentinel-1 selon un motif défini, utilisant des algorithmes d'analyse de données et de cartographie.

Ce projet consiste en une analyse de données de bioreacteurs et une simulation de dynamiques bactériennes à l'aide de modèles stochastiques différentiels. Les données brutes sont traitées pour obtenir des informations pertinentes dans des fichiers Matlab individuels, qui sont ensuite utilisés pour paramétrer les modèles et simuler les dynamiques en fonction de la séquence lumineuse. Le projet a été développé en Python et Matlab et nécessite des outils tels que Pandas, Numpy, Matplotlib, Seaborn, SciPy, SciKit et le statistics toolbox de Matlab.

Ce projet est un catalogue en ligne dédié au centre de ressources du Pôle ressources national transition écologique et sports de nature (PRNSN). Il permet de centraliser et diffuser des ressources documentaires spécialisées dans les sports de nature, en proposant une base de données consultable, des bibliographies thématiques et des sélections de publications. Le service inclut également une veille documentaire régulière et des actualités pour informer les acteurs du secteur.

Formation en machine learning pour l'initiation de chefs de projets sans connaissances préalables dans le domaine. Elle couvre des notions telles que la manipulation et la description des données, les algorithmes de machine learning, l'évaluation et la sélection de modèles, ainsi que l'introduction au deep learning. Les supports de cours et les codes sources des travaux pratiques sont partagés en open-source.

LLaVA est un projet visant à fournir des fonctionnalités d'assistance pour la génération de descriptions de texte à partir de données markdown, la capitalisation des premières lettres de mots, la gestion des sélections de questions et de modèles, le préremplissage des menus déroulants de questions et de modèles, et l'affichage de questions et de réponses.

MolPred est un framework basé sur Hydronaut pour la construction de prédicteurs de caractéristiques moléculaires à l'aide de Chemfeat. Il offre les avantages de l'un et de l'autre, ainsi que plusieurs autres avantages : tous les hyperparamètres sont gérés via des fichiers de configuration YAML, y compris la sélection de modèles, ensembles de fonctionnalités moléculaires et métriques, avec un support complet pour les surcharges en ligne de commande. Les hyperparamètres peuvent être explorés à l'aide de balayages systématiques ou d'algorithmes d'optimisation. L'optimisation peut être suivie en temps réel avec Optuna Dashboard lors de l'utilisation du plugin Hydra's Optuna sweeper. Tous les paramètres, métriques, modèles et autres artefacts sont suivis avec MLflow. Les tests et les prédictions peuvent être effectués en récupérant des modèles et des configurations d'ensembles de fonctionnalités à partir de runs MLflow précédents. Les modèles peuvent être facilement ajoutés en enregistrant des sous-classes d'une classe fournie. Les classes enregistrées peuvent être sélectionnées par nom à partir du fichier de configuration. De nouvelles calculateurs d'ensembles de fonctionnalités chimiques/moléculaires peuvent être ajoutés et enregistrés via des sous-classes simples. Les calculs de fonctionnalités sont mis en cache dans une base de données locale pour éviter les calculs redondants.

Le projet ncovsel est un outil d'aide à la sélection de variables dans des ensembles de données à n dimensions. Il permet de simplifier l'analyse de données complexes et d'optimiser la prise de décision dans le traitement de données massives. Grâce à ncovsel, il est possible d'améliorer la compréhension des relations entre variables dans les jeux de données.

Addon pour le visualiseur geOrchestra permettant de formuler des demandes d'extraction de données par la sélection de carreaux sur une carte. Un email est envoyé à un opérateur qui se charge de l'extraction dans un deuxième temps.

Ce projet vise à dresser un état de l'art sur la sélection de variables dans le cadre de l'apprentissage automatique et du data mining, en se concentrant sur les approches supervisée, semi-supervisée et non-supervisée, ainsi que sur le traitement des données multi-labels avec étiquetage incertain. L'objectif est d'améliorer la performance des algorithmes d'apprentissage en nettoyant l'espace de description des données.

CovSel est un projet visant à fournir des fonctions et des données liées à la pandémie de COVID-19. Il permet la sélection de mesures de lutte contre la pandémie, l'analyse de données épidémiologiques et le développement de recommandations pour la réouverture des établissements.