Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Université de Toulouse
- Utilise de l'intelligence artificielle
- Notoriété 31 %Outil dédié à la visualisation et à l'analyse de données spatiales in-situ issues de missions comme MMS, THEMIS ou Cluster. Permet aux héliophysiciens d'explorer, annoter et analyser des volumes massifs de données via une interface graphique intuitive couplée à l'intégration Jupyter. Facilite la création de catalogues d'événements, l'édition collaborative et l'extension via des plugins communautaires. Idéal pour la recherche, l'enseignement et l'analyse multi-missions.
- AMOEBA3 est un framework open source dédié à la modélisation et à la simulation de systèmes complexes. Il permet d'analyser des environnements dynamiques, d'optimiser des processus par des mécanismes d'apprentissage automatique et de générer des comportements émergents à partir d'agents autonomes. Utilisé pour des études en robotique, en gestion de flux ou en analyse de données spatiales, il facilite la résolution de problèmes d'optimisation dans des contextes variés.
- Ce projet vise à comparer les performances de plusieurs modèles Keras pour la classification d'IRM cérébrales 3D, permettant de distinguer des états comateux et non-comateux. Il intègre des techniques d'apprentissage par transfert et des scripts automatisés pour entraîner, affiner et tester des réseaux de neurones convolutifs 3D. Les résultats sont organisés pour faciliter l'analyse comparative des architectures et des configurations.
- Canard est un outil dédié à l'analyse et à la comparaison de graphes de connaissances RDF. Il permet d'identifier des correspondances entre entités, de générer des requêtes SPARQL pour interroger des jeux de données, et d'extraire des informations structurées à partir de triplets RDF. Utilisé principalement dans le domaine de la gestion des données sémantiques, il facilite l'intégration et l'alignement de données hétérogènes.
- Ce projet permet d'évaluer et de comparer différentes méthodes d'apprentissage fédéré en utilisant des techniques de clustering pour optimiser les performances des modèles distribués. Il génère des métriques et des visualisations pour analyser l'efficacité des approches proposées, notamment sur des jeux de données comme MNIST, Fashion-MNIST et CIFAR-10. Les résultats sont exportés sous forme de fichiers CSV et de graphiques pour faciliter l'interprétation.
- Ce projet est une implémentation Python dédiée à la construction automatique de Proof Nets à partir de phrases en français. Il utilise des données issues de TLGbank pour établir des liens logiques entre les éléments d'une phrase, facilitant ainsi l'analyse syntaxique et sémantique. L'outil s'intègre avec un modèle de supertagging pour améliorer la précision des prédictions. Il est principalement destiné à des chercheurs ou professionnels en linguistique computationnelle et en traitement automatique des langues.
- Ce projet est une implémentation Python d'un réseau de preuve neuronal conçu pour analyser des phrases en français et en extraire des structures logiques complexes. Il s'appuie sur des données linguistiques structurées (TLGbank) pour entraîner des modèles capables de prédire des étiquettes syntaxiques avancées (supertags) et des liens entre ces étiquettes, facilitant ainsi la compréhension automatique du langage et la vérification de preuves formelles.
- Ce projet développe un outil d'analyse syntaxique et sémantique pour le français, basé sur des modèles de type BERT. Il permet d'annoter automatiquement des phrases avec des étiquettes grammaticales avancées (supertags) et des structures de dépendances. Utilisable de manière autonome ou intégré à des systèmes de parsing plus larges, il facilite la compréhension et le traitement automatique du langage naturel pour des applications en linguistique computationnelle ou en intelligence artificielle.
- DiscReT est un projet de recherche académique développé par l'équipe MELODI pour participer à la tâche 3 du DISRPT Shared Task 2023. Il vise à automatiser l'analyse des relations discursives dans des textes multilingues en utilisant des modèles de langage avancés comme mBERT. Le système permet de classifier et d'étiqueter des structures discursives complexes, facilitant ainsi l'étude des liens logiques et sémantiques entre les phrases ou les segments de texte.
- Projet de recherche académique dédié à la classification zéro-exemple des relations discursives dans des textes multilingues. Il permet d'analyser automatiquement des discours en identifiant les liens logiques entre les phrases ou segments, sans nécessiter de données d'entraînement spécifiques à chaque langue. Basé sur des modèles de langage avancés, il facilite l'étude comparative des structures discursives à l'échelle internationale.
22 initiatives
10