Ce projet académique compare différentes méthodes de clustering (k-means, classification hiérarchique, clara, EM) appliquées à des données de transcriptomique. L'objectif est d'identifier des groupes de gènes corrélés pour comprendre des phénomènes de co-régulation ou d'association à des maladies. Les résultats sont analysés et comparés entre méthodes, puis enrichis via des ontologies de gènes pour évaluer leur pertinence biologique. Des visualisations et rapports détaillés sont générés pour faciliter l'interprétation des données.

Ce projet propose une méthode de clustering incrémental pour détecter des événements sur Twitter. Il permet d'analyser des flux de données textuelles en temps réel ou différé, en identifiant des regroupements de tweets liés à des événements spécifiques. Les résultats sont visualisés sous forme de tableaux et graphiques pour faciliter leur interprétation. L'outil est conçu pour les chercheurs et data scientists travaillant sur l'analyse de réseaux sociaux.

Ce projet propose une évaluation comparative de méthodes d'apprentissage fédéré regroupées par clusters. Il permet d'analyser et de comparer les performances de différents modèles de machine learning dans un contexte distribué, en utilisant des jeux de données standardisés comme MNIST ou CIFAR-10. Les résultats sont visualisés sous forme de tableaux et de graphiques pour faciliter l'interprétation des métriques.

Outil dédié à l'analyse et au traitement de données taxonomiques virales issues de résultats BLAST et de tables de comptage. Il permet de filtrer, regrouper et fusionner des données pour préparer des analyses en aval comme la visualisation ou les tests statistiques. Basé sur des algorithmes de propagation de labels et de clustering, il identifie des groupes de contigs viraux partageant des profils similaires.

Le projet discovery est une application permettant d'analyser des données d'événements et de découvrir des patterns grâce à des algorithmes de clustering. Les résultats sont visualisés sous forme de graphiques et de tableaux.

Ce projet consiste à développer une ontologie dédiée à l'Europe en analysant des textes pour identifier des motifs linguistiques et des relations entre les mots. Il permet de structurer des concepts clés et de générer des clusters thématiques pour faciliter la compréhension et l'exploitation des données textuelles. Les résultats sont évalués à l'aide d'un standard de référence et présentés sous forme de rapports et de visualisations.

Ce projet académique vise à explorer et analyser des données financières et sectorielles à l'aide de méthodes de fouille de données. Il permet d'identifier des groupes homogènes de secteurs d'activité via des techniques comme l'ACP et le clustering, puis de prédire des indicateurs clés comme la capacité d'emprunt ou les prévisions annuelles. Les résultats sont visualisés pour faciliter l'interprétation des tendances et des regroupements.

Ce projet automatise le benchmarking des performances des environnements HPC basés sur Guix, notamment pour les clusters comme Plafrim. Il exécute des tests de bande passante MPI entre nœuds, compare différentes configurations (MPI, réseaux) et stocke les résultats dans une base de données. Les données sont ensuite analysées pour détecter des régressions et visualisées sous forme de graphiques. L'objectif est d'optimiser les performances des infrastructures de calcul haute performance.

Ce projet est le résultat du hackathon de l'ONU en 2022. Il contient du code développé pour analyser et visualiser des données à l'aide de PySpark, Pandas et Plotly Dash. Les jeux de données utilisés proviennent de l'ONU, d'IHS et de la FAO. Le dashboard de visualisation des données est déployé sur un cluster k8s et accessible à l'adresse https://datadive.lab.sspcloud.fr/.

Ce service permet aux chercheurs d'accéder à distance à un cluster de calcul haute performance (Slurm) via une interface Jupyter. Les utilisateurs peuvent exécuter du code Python ou Octave, analyser des données, visualiser des résultats et manipuler des fichiers directement depuis leur navigateur. L'outil facilite la collaboration et l'expérimentation scientifique sans nécessiter d'installation locale complexe.