Ce projet développe un modèle d'intelligence artificielle conçu pour analyser des transcriptions textuelles et prédire les symptômes de dépression de manière hiérarchique. Il s'appuie sur des données cliniques validées pour fournir une estimation automatique de l'état mental des patients. L'outil est destiné aux chercheurs et professionnels de santé souhaitant objectiver des évaluations subjectives. Le modèle est entraîné sur des corpus spécialisés et permet une analyse fine des interactions verbales.

SmartLB est un outil dédié à la construction rapide de treillis de concepts à partir de contextes binaires. Il permet d'extraire et de visualiser des structures logiques sous-jacentes à des ensembles de données, facilitant ainsi l'analyse et la compréhension des relations entre objets et attributs. Idéal pour les chercheurs ou analystes en data science, il offre une approche automatisée pour identifier des motifs et des hiérarchies dans des jeux de données complexes.

Outil de recherche dédié à l'étiquetage automatique de données via des agents IA. Il exploite une base de données vectorielle sous forme de graphe pour représenter des codes de classification et leurs relations, facilitant le raisonnement hiérarchique. Conçu pour les instituts nationaux de statistique, il permet de naviguer et d'analyser des nomenclatures complexes, en générant des pipelines modulaires pour l'automatisation des tâches de classification.

Ce projet académique compare différentes méthodes de clustering (k-means, classification hiérarchique, clara, EM) appliquées à des données de transcriptomique. L'objectif est d'identifier des groupes de gènes corrélés pour comprendre des phénomènes de co-régulation ou d'association à des maladies. Les résultats sont analysés et comparés entre méthodes, puis enrichis via des ontologies de gènes pour évaluer leur pertinence biologique. Des visualisations et rapports détaillés sont générés pour faciliter l'interprétation des données.

Bibliothèque et outils dédiés à la manipulation et à l'optimisation d'arbres de données. Permet de créer, modifier et analyser des structures arborescentes comme les arbres binaires de recherche ou les k-d trees. Utilisé pour des applications nécessitant une gestion efficace de données hiérarchiques ou spatiales.

Outil en ligne de commande dédié à l'analyse de données génomiques ou de matrices de distance. Il permet de réaliser des classifications basées sur les arbres de spanning minimum (MST), de calculer des distances entre profils, de générer des arbres hiérarchiques et des statistiques pour évaluer l'efficacité des clusters. Utilisé notamment pour étudier la diversité génétique de souches bactériennes comme Bordetella ou Corynebacterium.

Ce projet est dédié à l'apprentissage des méthodes d'exploration multidimensionnelle essentielles pour la préparation des données, telles que l'analyse en composantes principales, l'analyse discriminante linéaire, l'analyse de correspondance, la position multidimensionnelle, la factorisation non négative, etc. Il couvre également la classification non supervisée (clustering) à l'aide de k-moyennes, de l'analyse hiérarchique, de DBSCAN et de mélanges gaussiens.

Pyram legacy est une implémentation de l'analyse d'images par ensembles d'échelles, développée par l'IGN. Ce projet permet de réaliser une segmentation hiérarchique d'images en exploitant des méthodes multi-échelles pour extraire des structures pertinentes. Il s'appuie sur des algorithmes avancés pour traiter des images géospatiales et scientifiques, facilitant l'analyse et la compréhension des données visuelles complexes.

Ce projet consiste en l'analyse des données de consommations et habitudes alimentaires de l'étude INCA 3. Il est composé de trois parties : une analyse exploratoire des données et visualisations, un clustering d'individus à l'aide de méthodes telles que l'ACP, les K-moyennes et le Clustering Ascendant Hiérarchique, et une prédiction de l'IMC en utilisant des méthodes de Machine Learning supervisé en Python.

Ce projet consiste en une étude des données de consommations et habitudes alimentaires de l'étude INCA 3. Il comprend une analyse exploratoire des données, une classification d'individus à l'aide de méthodes telles que l'ACP, les K-moyennes et le clustering ascendant hiérarchique, ainsi qu'une prédiction de l'IMC à l'aide de méthodes de machine learning supervisé.