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.

MML-regression est un langage de programmation dédié à la régression multi-machines. Il permet de définir des modèles de régression, de configurer les algorithmes d'apprentissage, de spécifier les données d'entrée et de valider et évaluer les modèles.

Outil dédié à l'analyse et à la modélisation de données spectrales infrarouges (NIRS) pour les sols. Il permet aux utilisateurs de décrire leurs données spectrales (X) et leurs variables d'intérêt (Y), puis de calibrer des modèles de prédiction à l'aide de régressions PLS (PLSR, LWPLSR) ou d'analyses discriminantes (PLSDA). Principalement utilisé en pédologie et en analyse de sols, il facilite la compréhension des structures de données et la validation de modèles prédictifs.

Projet dédié à la modélisation et à la simulation de données biophysiques pour l'agriculture et l'environnement. Il permet d'entraîner des modèles de machine learning (PROSAIL-VAE ou régression supervisée) pour analyser des images satellites et valider les résultats avec des données terrain. Le projet inclut également des outils pour générer des jeux de données synthétiques et évaluer les performances des modèles.

Ce projet propose une implémentation et des expériences pour reproduire les résultats d'une étude sur l'élagage efficace de modèles de recherche de caractéristiques top-k basés sur les valeurs SHAP. Il inclut des jeux de données biologiques, des modèles de régression pré-entraînés et des notebooks pour générer des figures et tableaux scientifiques. L'objectif est de faciliter la validation et l'exploration des méthodes proposées dans le rapport associé.

Ce projet fournit un modèle standardisé pour générer des rapports de validation de données, notamment dans le domaine médical. Il permet de vérifier la conformité des données aux normes FHIR et d'identifier les erreurs ou avertissements lors des validations. Les rapports générés sont structurés et exploitables pour des audits ou des améliorations de qualité.