ConnectionLens est un outil permettant de trouver des connexions entre des termes spécifiés par l'utilisateur à travers plusieurs sources de données hétérogènes. Il considère un ensemble de sources de données indépendantes comme un graphe virtuel unique, où les nœuds représentent des éléments de données fins (par exemple, des tuples relationnels, des attributs, des paires clé-valeur, des nœuds RDF, JSON ou XML) et les arêtes correspondent soit à des connexions structurelles (par exemple, un tuple est dans une base de données, un attribut est dans un tuple, un nœud JSON a un parent, etc.) soit à des liens de similarité (sameAs). Pour enrichir le contenu avec lequel les journalistes travaillent, ConnectionLens détecte également les personnes, les organisations, etc. mentionnées dans le texte, que ce soit du texte intégral ou des extraits trouvés dans des données RDF ou XML.

Connection-Studio est une plateforme web permettant l'analyse et la visualisation de données biologiques, en particulier des réseaux d'interactions moléculaires. Il permet l'intégration de données hétérogènes et la recherche de motifs dans des données textuelles.

Abstra est un système d'abstraction de jeux de données tout-en-un capable de créer l'E-R schema (Entity-Relationship schema) de tout RDF, JSON, XML ou PG dataset. Ce processus est appelé abstraction de jeux de données ou simplement abstraction.

Le projet alviscorpus est un outil de récolte et d'annotation de corpus de textes. Il permet de collecter des données textuelles à partir de différentes sources, de les analyser et de les annoter manuellement ou automatiquement. Cet outil est utilisé dans le domaine de la recherche en linguistique, de l'analyse de sentiments et de l'intelligence artificielle.

Ce dépôt contient une formation complète sur le deep learning, couvrant des sujets tels que l'analyse de données, la reconnaissance d'images, le traitement du langage naturel et l'apprentissage automatique. Il utilise des outils tels que TensorFlow, Scikit-Learn, Pandas et NumPy pour fournir une compréhension approfondie de ces concepts.

Le projet french-propaganda a pour but d'analyser et de visualiser la propagande française sur les réseaux sociaux. Il utilise des techniques d'apprentissage automatique pour détecter les biais dans les médias et suivre les tendances dans les discours politiques.

Ce projet fournit un dataset construit à partir des réponses aux questions ouvertes du grand débat national et une librairie Python pour manipuler ce dataset. Il permet d'analyser, de visualiser et de comprendre les données du grand débat.

Ce projet est un script d'évaluation pour le WebNLG Challenge 2020, qui permet d'évaluer la génération de texte à partir de données RDF en utilisant des métriques automatiques telles que BLEU, METEOR, chrF++, TER, BERTScore, et BLEURT pour le texte en anglais.

Ce projet vise à démontrer l'efficacité de l'utilisation de WordNet pour l'entailement lexicale, une tâche d'évaluation sémantique entre deux mots ou expressions. Il propose une méthode non supervisée pour résoudre cette tâche, utilisant des techniques d'apprentissage automatique telles que Gensim, NLTK, NumPy, Pandas, scikit-learn, SciPy, Torch et Transformers.

Open-Information-Extraction is a project that uses Natural Language Processing (NLP) techniques to extract structured information from unstructured text. It helps improve data analysis by providing cleaner data and automates data entry processes, saving time and reducing errors.