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.

Outil dédié à l'analyse statistique et aux tests d'hypothèses pour la physique des particules et nucléaire. Permet de modéliser des données expérimentales issues d'accélérateurs ou de détecteurs, facilitant la validation de modèles théoriques ou la recherche de nouvelles particules. Utilisé principalement par des chercheurs et ingénieurs en physique fondamentale pour interpréter des résultats complexes.

Ce projet utilise un modèle de langage (LLM) pour transformer des fichiers de métadonnées décrivant des tableaux statistiques en formats exploitables par des outils d'analyse et de diffusion. Il permet aux producteurs de données de décrire leurs tableaux via un classeur, puis de générer automatiquement un fichier structuré et validé, facilitant ainsi la publication et l'analyse des données statistiques.

Outil dédié à l'évaluation et à la comparaison de modèles bayésiens et d'algorithmes statistiques. Il permet de mesurer les performances de différentes approches en termes de précision, de temps de calcul et de robustesse. Utilisé par des chercheurs et des data scientists pour valider des hypothèses ou optimiser des modèles avant leur déploiement en production.

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.

Ce projet propose un ensemble de scripts et outils pour réaliser des analyses statistiques avancées sur des cohortes de patients. Il permet de construire des modèles prédictifs à l'aide de la méthode Limma et des forêts aléatoires, puis de valider ces modèles sur une cohorte distincte. Les résultats incluent des graphiques et rapports détaillés pour faciliter l'interprétation des données biologiques.

Ce projet propose une implémentation Python des tests RCIT/RCoT, permettant d'évaluer l'indépendance conditionnelle entre variables en grande dimension. Il utilise des techniques d'approximation de matrices de noyaux via des *random Fourier features* pour des analyses statistiques robustes. Destiné aux chercheurs et data scientists, il facilite la validation de modèles et l'exploration de relations complexes dans les données.

Ce projet propose une implémentation Python des tests RCIT et RCoT, initialement développés en R. Il permet d'évaluer l'indépendance conditionnelle entre variables dans des jeux de données complexes grâce à des méthodes basées sur des approximations de matrices de noyaux. Utilisé principalement en recherche académique et en analyse de données, il facilite la validation de modèles et l'exploration de relations statistiques avancées.

Automaton-ABC est une méthode statistique conçue pour estimer la probabilité de propriétés spatio-temporelles dans des modèles markoviens paramétriques de population. Ce projet permet d'analyser des systèmes biologiques ou physiques complexes en simulant leur comportement et en validant des hypothèses statistiques. Il s'appuie sur des outils mathématiques avancés pour fournir des résultats précis et exploitables dans le cadre de recherches théoriques ou appliquées.

Outil d'analyse statistique avancée utilisant des méthodes de Monte Carlo par chaînes de Markov (MCMC). Permet de valider la convergence de modèles complexes en exécutant plusieurs chaînes en parallèle. Idéal pour les chercheurs et data scientists travaillant sur des simulations probabilistes ou des inférences bayésiennes.