Ce projet permet d'analyser et de traiter des jeux de données pour en extraire des statistiques pertinentes. Il facilite la compréhension des tendances et des patterns au sein des données, offrant ainsi des insights utiles pour la prise de décision. Les résultats peuvent être visualisés sous forme de graphiques ou de rapports.

Outil open source dédié à l'identification automatique des vulnérabilités CVE (Common Vulnerabilities and Exposures) dans les codes sources. Il permet aux développeurs et équipes de sécurité de scanner leurs projets pour détecter des failles connues, analyser les correctifs associés et comprendre les modifications nécessaires pour sécuriser leur code. Le projet combine des analyses statiques via des requêtes Tree-sitter et des outils de traitement de données pour générer des jeux de données exploitables.

Ce projet propose des exercices pratiques et un guide pédagogique pour aider les chercheurs, professionnels de santé et acteurs académiques à maîtriser le pré-traitement et la vérification des extractions de données issues de la base principale du SNDS. Il inclut des cas pratiques basés sur des jeux de données synthétiques du DCIR et du PMSI, accompagnés de corrections pour permettre une auto-évaluation et renforcer les compétences en analyse de données de santé.

JavaCL for Icy est un plugin dédié à l'analyse d'images biologiques, développé pour la plateforme Icy. Il permet d'exploiter les capacités de calcul des GPU via OpenCL directement depuis Icy, améliorant ainsi les performances des algorithmes de traitement d'images. Ce plugin est particulièrement utile pour les chercheurs en biologie qui ont besoin de traiter rapidement de grandes quantités d'images, comme des séquences de microscopie ou des jeux de données volumineux. Il s'intègre parfaitement dans l'écosystème Icy, un logiciel open source largement utilisé en bioimagerie.

PARSEC est un outil statistique dédié à la correction des effets de batch et de cohortes dans les données d'intensité, notamment pour les jeux de données omics ou à haut débit. Il utilise des modèles linéaires mixtes (LMM) pour éliminer les variabilités indésirables introduites par les différences de traitement entre lots ou cohortes. L'algorithme applique une transformation logarithmique, une normalisation par lot, puis extrait les résidus corrigés pour obtenir des données comparables et fiables.

Projet académique visant à explorer les capacités de l'intelligence artificielle pour traiter et analyser des données. Il permet de simuler des interactions et de générer des visualisations à partir de jeux de données variés. Destiné à des étudiants ou chercheurs en informatique, il facilite l'apprentissage des outils comme NumPy et Pandas pour le traitement de données.

Outil dédié à la supervision des processus dans des workflows complexes. Il permet aux utilisateurs de suivre en temps réel l'état des jeux de données et des processus en cours, facilitant ainsi la compréhension des flux de traitement. Intégré à Orange Canvas, il offre une vue claire et structurée pour éviter toute confusion sur les données traitées ou en cours de traitement.

Ce projet permet de calculer des représentations vectorielles denses de séquences de texte en utilisant l'architecture S-BERT. Il est capable de gérer des documents multilingues et de calculer des vecteurs de représentation pour des tokens, des lemmes, des entités, etc. de vos jeux de données. Il est particulièrement utile pour le traitement de corpus de news et de tweets.

Projet dédié au traitement et à l'analyse de données géographiques à l'aide du langage R. Il propose des outils pour manipuler des jeux de données spatiales, réaliser des cartes thématiques et effectuer des analyses géostatistiques. Destiné aux chercheurs, étudiants et professionnels souhaitant exploiter des données géolocalisées pour des études environnementales, urbaines ou socio-économiques.

Ce projet propose des scripts pour automatiser des exercices de traitement et d'analyse de données. Il est conçu pour aider les utilisateurs à s'entraîner et à se préparer à des compétitions ou défis en science des données, comme le DAC21. Les outils permettent de manipuler et de transformer des jeux de données de manière répétitive et reproductible.