Bibliothèque Python essentielle pour le traitement et l'analyse d'images satellites. Elle offre des fonctionnalités de géoréférencement, de manipulation et de visualisation de données géospatiales.

Ce projet utilise des données satellites pour détecter et analyser les habitats spontanés. Il permet de définir le type de données satellites à utiliser, le département et l'année d'utilisation, ainsi que le type d'annotateur et la taille des buffers. Le pipeline d'entraînement complet est contenu dans le fichier src/run_training_pipeline.py et peut être lancé en définissant le fichier config.yaml et en exécutant la commande python src/run_training_pipeline.py <remote_server_uri> <experiment_name> <run_name>.

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 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 concerne le chapitre 1 d'un ensemble de programmes dédiés à l'apprentissage algorithmique et aux réseaux de neurones. Il propose des exemples de classification d'images à l'aide de différentes librairies, telles que neuralnet, Keras et torch, ainsi qu'une régression pénalisée (Lasso).