Ce projet fournit une procédure d'inférence pour valider des modèles statistiques à partir de données synthétiques. Il permet de reproduire des exemples de simulation et d'analyse de données, notamment pour des modèles BRD (Bayesian Regression and Decision). Les utilisateurs peuvent exécuter des scripts R et Python pour comparer des statistiques observées et simulées, facilitant ainsi la validation de modèles complexes.

Ce projet développe des outils pour segmenter automatiquement des gouttes et des cristaux de NaCl dans des images de microscopie. Il utilise des architectures de deep learning (UNet et Yolov8) entraînées sur des données réelles et simulées. Un simulateur numérique génère des images pour compléter les annotations manuelles limitées, permettant ainsi d'entraîner des modèles robustes pour des études physiques ou statistiques.

Bibliothèque et outil de modélisation 3D dédié à la création, l'analyse et la simulation d'objets et de scènes en trois dimensions. Permet de manipuler des modèles, d'appliquer des transformations géométriques, de détecter des collisions et de générer des statistiques sur les interactions physiques entre objets.

Le projet TD6-Model-math est conçu pour aider les utilisateurs à résoudre des problèmes mathématiques, calculer des équations et des fonctions, et analyser des données statistiques. Il offre des fonctionnalités puissantes de modélisation et de simulation, permettant aux utilisateurs de mieux comprendre et interpréter les phénomènes mathématiques.

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.

SurvMS est un package R dédié à la simulation de données de survie pour des modèles statistiques variés. Il permet de générer des jeux de données réalistes à partir de modèles comme le modèle de Cox, le modèle AFT (Accelerated Failure Time) ou le modèle AH (Accelerated Hazards), avec des distributions de base Weibull ou log-normale. L'outil facilite l'évaluation et la comparaison de méthodes d'analyse de survie en fournissant des données simulées adaptées à différents scénarios.

Bibliothèque open source dédiée à l'analyse statistique et à la modélisation de données. Elle permet de manipuler des distributions, des mélanges de lois, des chaînes de Markov et des processus paramétriques. Utilisée pour l'exploration de données, la validation de modèles et la génération de simulations, elle s'intègre dans des workflows d'analyse avancée pour des applications variées en recherche et industrie.

Melissa est un framework open source conçu pour optimiser les analyses de sensibilité et l'entraînement de modèles de deep learning à très grande échelle sur supercalculateurs. Il élimine le besoin de stocker des fichiers intermédiaires en traitant les données en transit, permettant ainsi de gérer des études impliquant des milliers de simulations parallèles sans surcharge de stockage. Le système coordonne des simulations numériques, des calculs statistiques et des entraînements de réseaux de neurones de manière efficace et résiliente.

RPBK est un package R dédié à l'inférence de modèles toxicocinétiques basés sur la physiologie. Il permet aux chercheurs et toxicologues de simuler et analyser le comportement de substances chimiques dans l'organisme, en intégrant des données expérimentales et des modèles statistiques avancés. L'outil facilite la compréhension des mécanismes d'absorption, de distribution, de métabolisme et d'excrétion des toxiques, contribuant ainsi à l'évaluation des risques sanitaires et environnementaux.

Melissa est un cadre évitant les fichiers, tolérant aux pannes et élastique pour effectuer une analyse de sensibilité à grande échelle sur des supercalculateurs. Il traite les données en ligne, évitant ainsi le stockage intermédiaire de fichiers et permettant des études à grande échelle avec des millions de simulations parallèles. Melissa est construit autour de deux concepts clés : les algorithmes statistiques itératifs et le modèle asynchrone client/serveur pour le transfert de données.