Un outil pour la modélisation macroéconométrique comprenant un langage de description de modèles haut niveau, une décomposition de blocs Dulmage-Mendelsohn du modèle, un calcul symbolique de la jacobienne et plusieurs choix de solveurs numériques.

Ce projet implémente l'algorithme d'apprentissage supervisé de fastText pour la classification de texte utilisant PyTorch. Il vise l'efficacité et la précision dans la classification de texte, la réduction de dimensions textuelles, l'analyse de sentiments et la catégorisation de contenu.

Ce projet contient les supports de cours d'une auto-formation d'initiation à Python, proposée sur le SSP Cloud. Les différents chapitres peuvent être déployés en un clic sous la forme d'un Notebook Jupyter. Les sources des supports de cours sont disponibles au format qmd dans le dossier source/ et peuvent être générées en notebooks ipynb exécutables grâce à Quarto et aux packages Python nécessaires.

Btbpy est une bibliothèque Python permettant de réaliser une estimation de densité de population à partir de données géolocalisées. Elle s'appuie sur des méthodes de lissage de données et de calcul de quantiles pour fournir une visualisation précise et détaillée de la répartition de la population dans un espace donné.

Ce projet vise à expérimenter le codage automatique de la NACE rev 2.1 basé sur les descriptions d'activités du registre Sirene. Il contient tous les composants nécessaires pour former un modèle de classification basé sur Fasttext, offrant une solution pratique et simple pour la compréhension automatisée des activités de sociétés.

Ce projet permet d'extraire l'information contenue dans le tableau 'filiales et participations' des comptes sociaux des entreprises grâce à des fonctionnalités de sélection de page et d'extraction de tableau.

Application d'étiquetage de reçus de transaction, développée dans le cadre du projet de données de transaction. Les prédictions sont effectuées en utilisant l'algorithme fastText.

Ce projet consiste en une série de scripts Python utilisant les librairies Keras et sklearn pour la classification d'empreintes de villages à partir d'images cadastrales. Les données géométriques sont transformées en images, des échantillons sont tirés et des labels sont créés. Un réseau de neurones est défini et entraîné, et un modèle alternatif de forêt aléatoire est présenté.

Ce projet est un dépôt de code source qui fournit des scripts Python pour l'analyse de données économiques, la préparation de données pour l'apprentissage automatique, la réduction de dimension de données et la visualisation de données multidimensionnelles. Il utilise des bibliothèques telles que NumPy, Pandas, Requests, scikit-learn, TensorFlow et Keras pour fournir des fonctionnalités telles que le téléchargement de données, la préparation de données, l'estimation de modèles et la visualisation de données.

FastAI est un framework open-source de pointe pour le machine learning et le deep learning, conçu pour rendre l'apprentissage automatique plus accessible et efficace. Il offre des fonctionnalités avancées pour la création, l'entraînement et le déploiement de modèles de ML et DL, ainsi qu'une interface utilisateur intuitive pour faciliter le processus.