Ce projet de recherche en humanités numériques vise à tester les capacités de différents larges modèles de langage (LLM) dans le domaine des réponses à des questions en histoire, en analysant la qualité et la précision des réponses, ainsi qu'en vérifiant la possibilité d'extraire les données prépondérantes dans les réponses générées pour une réutilisation potentielle.

Ce projet implémente une solution pour classer les magasins de détail en fonction de leurs ventes annuelles en utilisant un jeu de données réel. Il comprend des algorithmes de nettoyage et de préparation de données pour gérer les caractéristiques catégorielles sales, ainsi qu'une méthode de classification des produits en utilisant une hiérarchie de produits locale. Les résultats sont validés en comparant avec des jeux de données étiquetés manuellement.

Ce projet implémente une étude de faisabilité sur la mise en œuvre de la méthode de l'ensemble dominant minimum (MDS) pour le clustering sous contraintes de rayon. Il fournit des fonctionnalités de benchmarking et de comparaison de résultats.

Le projet trustmodelevaluation est un outil qui évalue automatiquement les modèles de calcul de confiance par rapport aux exigences exprimées. Il aide les utilisateurs à choisir les exigences de leur système et le modèle de calcul de confiance le plus approprié pour leur application.

Ce dépôt contient le codebase complet pour les expériences décrites dans l'étude sur l'intégration de données dans le secteur de la vente au détail en utilisant les technologies du Web sémantique. Il inclut des scripts de configuration expérimentale et des notebooks Jupyter pour guider le processus d'expérimentation.

Ce projet vise à développer des techniques de prévision de prix de l'électricité pour le marché portugais, en utilisant des méthodes statistiques, de Machine Learning et de Deep Learning. Il s'appuie sur une analyse approfondie de la littérature existante et sur l'utilisation d'un jeu de données unique pour surmonter les limites des études précédentes.

MoSaRT est un framework basé sur un langage de modélisation graphique qui permet de concevoir et d'analyser des systèmes en temps réel. Il vise à combler le fossé entre la communauté académique de la théorie de la planification en temps réel et les pratiques industrielles. Il fournit une langue de conception graphique conforme aux normes et une base de données d'analyse qui permet aux chercheurs de promouvoir leurs travaux et d'augmenter l'applicabilité de l'analyse de la planification en temps réel.

La plateforme CHEMANE est composée de plusieurs modules fournissant des algorithmes développés par les membres du laboratoire LIAS. Ces modules traitent des problèmes tels que le problème des réponses pléthoriques dans les bases de données relationnelles incertaines, l'explication et l'atténuation des résultats non concluants des requêtes SPARQL, et le calcul des sous-requêtes minimales et maximales réussies et échouées pour les requêtes RDF.

Ce projet est un outil permettant de comparer différentes méthodes pour l'analyse de périodes de messages et l'affectation d'offsets dans les systèmes sans décalage. Il permet de générer des tâches périodiques à partir de matrices de facteurs et d'optimiser l'affectation d'offsets pour ces tâches.

QaRS (Query-and-Relax System) est conçu pour faciliter l'exploitation de grandes bases de connaissances. Il offre deux fonctionnalités principales : il fournit des explications sur l'échec d'une requête SPARQL et effectue la relaxation d'une requête SPARQL pour renvoyer des réponses alternatives top-k.