Ce projet se concentre sur le développement de méthodes avancées pour l'apprentissage de représentations et la classification automatique de données. Il vise à améliorer la précision et l'efficacité des modèles d'intelligence artificielle dans divers domaines comme la vision par ordinateur, le traitement du langage naturel ou l'analyse de données.

Outil d'analyse et de classification automatique de documents ou d'entrées de données selon les Objectifs de Développement Durable (ODD) et les Technologies Clés Enablantes (TCE). Il permet de structurer des données brutes en catégories pertinentes pour la recherche, l'innovation ou les politiques publiques. Le projet génère des sorties exploitables pour des tableaux de bord ou des analyses approfondies, facilitant ainsi la prise de décision basée sur des données classifiées.

Ce projet utilise des méthodes de classification basées sur des graphes pour analyser des données liées à la dépression. Il vise à faciliter la détection et l'évaluation des troubles dépressifs en exploitant des relations complexes entre variables cliniques et symptômes. L'objectif est d'améliorer les outils d'aide au diagnostic pour les professionnels de santé mentale.

Ce projet contient les ressources pédagogiques pour un cours sur les enjeux liés aux nouvelles sources de données pour la statistique publique donné à l'Ensai sur les années scolaires 2022/2023 et 2023/2024. Il inclut des slides de présentation et des applications permettant d'analyser des données du registre parcellaire français avec R et PostGIS, ainsi que de réaliser une classification automatique en NLP avec Fasttext sur les déclarations d'entreprises.

Ce projet permet de classifier des signaux en analysant leurs composantes fréquentielles. Il est conçu pour traiter des données temporelles complexes, comme des séries temporelles ou des signaux audio, afin d'identifier des motifs ou des anomalies. Les applications incluent l'analyse de données industrielles, la détection de défauts ou l'étude de phénomènes naturels.

Service d'analyse en text mining sur Migale dédié aux sciences de la vie. Il offre une collaboration et un accompagnement sur demande pour des mini-projets d'extraction d'informations à partir de textes bruts issus de la littérature scientifique ou de bases de données en bioinformatique. Les projets d'analyse doivent correspondre à des applications du text mining pour les sciences de la vie et visent la constitution de corpus textuels thématiques, l'extraction d'entités nommées et la classification d'informations textuelles.

Ce projet, nommé benchds, est une collection de jeux de données utilisés pour l'analyse de données et l'apprentissage automatique. La plupart des jeux de données proviennent du dépôt UCI Machine Learning, tandis que d'autres ont été publiés par divers articles et documents de recherche. Les jeux de données sont fournis dans un format simple, avec les lignes représentant des exemples et les colonnes représentant des caractéristiques. Le dernier élément de chaque ligne est la variable cible ou l'étiquette de classification. Les valeurs des lignes sont séparées par un espace. Aucune valeur manquante n'est présente dans les jeux de données, car les lignes contenant au moins une valeur manquante ont été supprimées.

Ce projet développe un modèle amélioré par des caractéristiques pour la classification des relations discursives dans plusieurs langues. Il s'appuie sur des données issues de tâches partagées en linguistique computationnelle pour analyser et catégoriser les liens entre les unités de discours. L'objectif est d'améliorer la compréhension automatique des textes en identifiant les relations sémantiques et structurelles, notamment dans des contextes multilingues.

Ce projet vise à automatiser la classification des résultats de tests médicaux entre les périodes S1 et S2. Il permet aux professionnels de santé de gagner du temps dans l'analyse des données et d'améliorer la précision des diagnostics. L'outil s'intègre dans les workflows existants des laboratoires et hôpitaux pour fluidifier les processus décisionnels.

Solution logicielle dédiée à la collecte et au traitement de données taxonomiques et multimédias sur les arthropodes. Elle permet de scraper des images et sons associés à des espèces ou catégories taxonomiques depuis des plateformes scientifiques, puis d'entraîner des modèles de reconnaissance automatisée. Les données collectées sont structurées pour faciliter l'analyse de la biodiversité et la classification d'espèces.