Nos Projets
WEB SERVICES
EBAT est une entreprise spécialisée dans la construction, la rénovation et la démolition de bâtiments.
Faites comme Ebat et confiez-nous le développement de votre site web pour des résultats exceptionnels !
Consultant en Business Information Warehouse chez GRDF, on a travaillé en collaboration étroite avec le client GRDF afin de comprendre leurs besoins en gestion de données et de concevoir des solutions adaptées en utilisant SAP BW.
Nos responsabilités comprenaient la collecte d'informations issues de diverses sources de données, ainsi que le développement d'un script Python spécifiquement dédié à la migration des données. On a également mis en place des flux pour faciliter la collecte des données.
Une part importante de notre travail a été le nettoyage et l'ajustement des données pour assurer leur qualité et leur exactitude. On a également été responsable de la vérification des chargements de données, tant en mode FULL qu'en mode DELTA.
Enfin, on a pris en charge les mises à jour et les corrections des anomalies des données pour garantir l'intégrité et la fiabilité des systèmes de données chez GRDF."
Business Information Warehouse
SYNCHROTRON SOLEIL
Dans le cadre du projet Leaps-Innov WP7 de l'Union Européenne, nous avons apporté des innovations significatives dans le traitement de données. Notre travail a inclus l'étude et l'application de divers algorithmes de compression de données et le développement d'un modèle de débruitage d'image en utilisant le Deep Learning. Nous avons également réussi à déployer ce modèle sur une Machine Virtuelle avec Docker, permettant des tests efficaces sur des données améliorées. Pour en savoir plus, visitez [Leaps-Innov WP7](https://www.leaps-innov.eu/work-packages).
Nous avons développé un projet utilisant l'apprentissage automatique pour l'analyse de données de diffusion des rayons X en biomacromolécules. Ce projet a inclus la collecte et la simulation de données, leur nettoyage et transformation, ainsi que l'analyse et la visualisation. Nous avons également effectué des tests statistiques et appliqué des modèles de Machine Learning pour classifier les macromolécules. Finalement, ces modèles ont été déployés sur une Machine Virtuelle avec Docker.
Data Labs
L'objectif visait à identifier l'activité d'une personne en utilisant des données collectées via le gyroscope et l'accéléromètre d'un smartphone. Pour cela, une base de données a été spécialement élaborée à des fins expérimentales. Un ensemble d'individus a réalisé une activité spécifique pendant un temps déterminé, pendant lequel les signaux étaient capturés. Ces données sont issues du domaine de la reconnaissance des activités humaines (Human Activity Recognition, HAR), une initiative de la communauté scientifique.
L'analyse en composantes principales (ACP) réduit la complexité des données en trouvant de nouveaux axes qui maximisent leur variance. Cette méthode vise à simplifier les données en utilisant moins de dimensions, tout en préservant l'essentiel de leur information. Elle s'appuie sur la matrice de variances-covariances ou de corrélations pour extraire quelques facteurs principaux, facilitant la représentation graphique des données dans un espace réduit.
La qualité des résultats sont bien cohérents avec l'étape d'exploration parceque ca montre l'indépendance des labels (Walking, Walking upstairs et Walking downstairs) et (Sitting standing Laying)
Human Activity Recognition
Reconstruction d'images
Les auto-encodeurs sont des réseaux de neurones utilisés le plus souvent pour apprendre de façon non-supervisée ou faiblement supervisée une représentation (features/encodages) d'un jeu de données.
Les auto-encodeurs sont généralement constitués de deux éléments:
Un encodeur, chargé de représenter les données dans un espace le plus souvent de dimension réduite
Un décodeur, capable à partir d'une donnée encodée de reconstruire la donnée initiale
Severe Injury Reports in the USA
Le Maps suivants nous montre la répartition des niveaux hospitalisation par adresse (Ville)
Pas Hospitalisation : couleur associé green
Hospitalisation : couleur associé orange
Hospitalisation grave : couleur associé purple
Hospitalisation trés grave : couleur associé red
Reconnaissance Faciale
Nous avons réussi à développer un modèle de reconnaissance faciale. Ce projet a englobé diverses étapes, incluant l'analyse d'outils de préparation de données et la création de modèles prédictifs basés sur le Machine Learning et le Deep Learning. Grâce à cette démarche, nous avons élaboré une solution novatrice et sécurisée pour l'authentification faciale, en privilégiant l'efficacité et la sûreté.
Contactez nous
Pour toute demande, question, ou si vous envisagez une collaboration, le formulaire ci-dessous est votre passerelle pour joindre notre équipe.
