Projet de prédiction de l'inventaire isotopique d'un réacteur nucléaire. Il permet d'analyser et de prédire le comportement d'un réacteur grâce à des algorithmes de machine learning et des visualisations de données.

Ce projet offre un ensemble d'outils pour la découverte de médicaments dans les interactions protéine-protéine. Il permet la prédiction de sites d'interactivité et de ligandabilité sur une structure protéique, ainsi que le suivi des scores associés à ces valeurs au cours d'une analyse de dynamique moléculaire. Les prédictions peuvent être visualisées facilement.

Le projet selfwatts-formula est une solution d'analyse et de prédiction de consommation énergétique. Il permet aux utilisateurs de collecter, analyser et visualiser les données de consommation d'énergie, et offre des fonctionnalités de prédiction et d'optimisation de l'utilisation d'énergie.

Le projet trackdechets-datascience vise à consolider une base de données des entreprises liées au secteur du déchet. Il utilise des techniques de collecte et d'analyse de données pour fournir des informations utiles sur le secteur, ainsi que des visualisations de données et des modèles prédictifs pour aider à la prise de décision.

AMBIdsm est un package R développé dans le cadre du projet CetAMBICion. Il propose des outils pour fusionner des données à partir de différents sondages, construire des modèles de sondage de distance pour plusieurs enquêtes et espèces et estimer l'ESW à l'aide des effets de fusion, et construire des modèles de densité de surface et visualiser les cartes de prédiction.

Ce projet est un conseiller numérique en data science, qui permet d'analyser, de prévoir et de visualiser des données. Il s'appuie sur des algorithmes de machine learning pour fournir des insights et des prédictions à partir de données brutes.

Ce projet consiste en l'analyse des données de consommations et habitudes alimentaires de l'étude INCA 3. Il est composé de trois parties : une analyse exploratoire des données et visualisations, un clustering d'individus à l'aide de méthodes telles que l'ACP, les K-moyennes et le Clustering Ascendant Hiérarchique, et une prédiction de l'IMC en utilisant des méthodes de Machine Learning supervisé en Python.

Le projet Python binding for Grew fournit une interface pour utiliser le moteur de règles Grew dans des applications Python. Grew est un moteur de règles puissant et flexible qui permet l'analyse de données géospatiales et la création de modèles prédictifs. Ce projet permet aux développeurs Python d'utiliser facilement Grew dans leurs applications pour visualiser et analyser des données géographiques.

Le projet DAMIR a pour but d'analyser et de visualiser des données de santé, ainsi que de développer des modèles prédictifs dans ce domaine. Il s'appuie sur une documentation collaborative et une liste de sujets proposés.

Ce projet a pour but d'analyser, explorer et visualiser des données culturelles à des fins de recommandation et d'évaluation de modèles prédictifs.