Bibliothèque logicielle dédiée à la modélisation et à l'inférence de modèles graphiques probabilistes. Elle permet de manipuler des densités de probabilité, d'estimer des paramètres à partir de données, de générer des échantillons aléatoires et d'analyser des séquences complexes. Utilisée principalement en statistiques, en apprentissage automatique et en traitement du signal pour résoudre des problèmes d'inférence et de prédiction.

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.

Ce projet consiste à importer et traiter des données réelles à partir d'un fichier CSV. Les données sont désordonnées et doivent être décomposées en entités cohérentes pour créer un modèle de données (MCD). Des scripts PostgreSQL sont ensuite utilisés pour ventiler les données dans les tables modélisées. Enfin, une étude statistique est réalisée sur les données.

Projet Java dédié à la reconnaissance d'auteur et à l'analyse de texte via des modèles de langage statistique. Il permet d'identifier des auteurs à partir de corpus de phrases, de calculer des probabilités de phrases, et de générer des modèles de langage pour l'évaluation de textes. Utilisé dans un cadre académique pour l'apprentissage des techniques de traitement automatique du langage.

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.

Fluo_batch_fit est un outil conçu pour automatiser et optimiser le traitement de données en masse. Il permet aux utilisateurs de configurer des pipelines d'analyse, d'appliquer des modèles statistiques ou d'apprentissage automatique, et de générer des rapports ou des jeux de données transformés. Idéal pour les équipes data science ou les services nécessitant des analyses répétitives et scalables.

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.

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.

Le projet modelmaths.td7 est un outil dédié à la résolution de problèmes mathématiques complexes, offrant des fonctionnalités de génération de graphiques et de visualisation de données, ainsi que des capacités d'analyse statistique et de traitement de données.

Le projet modelmaths.td7 est un outil dédié à la résolution de problèmes mathématiques complexes, offrant des fonctionnalités de génération de graphiques et de visualisation de données, ainsi que des capacités d'analyse statistique et de traitement de données.