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.

Le projet LimeOut vise à aborder la justesse des processus pour les modèles d'apprentissage automatique. L'idée clé est d'utiliser une méthode d'explication, à savoir LIME, pour évaluer si un classificateur donné était équitable en mesurant sa dépendance à l'égard des fonctionnalités salientes ou sensibles. Cela est ensuite intégré dans un workflow centré sur l'homme appelé LimeOut, qui reçoit en entrée un triplet (M,D,F) d'un classificateur M, un jeu de données D et un ensemble F de fonctionnalités sensibles, et produit un classificateur Mfinal moins dépendant des fonctionnalités sensibles sans compromettre l'exactitude.

Ce projet consiste en un outil d'analyse de données textuelles, permettant la génération de résumés automatisés, la recherche de similarités sémantiques et la classification de données. Il est basé sur des algorithmes d'apprentissage automatique et des modèles de langage avancés.

Le projet rsignauxfaibles a pour objectif de détecter des signaux faibles dans des données financières et de prévoir des risques pour des entreprises. Il s'appuie sur des algorithmes d'apprentissage automatique et des méthodes statistiques pour analyser les données et produire des modèles prédictifs.

Tick-datasets est une plateforme d'hébergement de jeux de données prêts à l'emploi pour l'apprentissage automatique. Il permet aux chercheurs et aux développeurs de trouver et d'utiliser des données de qualité pour entraîner et tester leurs modèles.

Ce projet concerne le développement d'un outil d'apprentissage automatique basé sur le langage de programmation Python. Il s'appuie sur la bibliothèque scikit-learn pour offrir des fonctionnalités de préparation de données, de sélection et d'application d'algorithmes de machine learning, ainsi que d'évaluation des performances des modèles prédictifs.

Ce projet offre des fonctionnalités d'analyse d'images, de traitement de données scientifiques et de machine learning grâce à des outils tels que Matplotlib, NumPy, OpenCV, Pillow, SciPy, Torch, PyTorch, scikit-learn et TensorFlow. Il permet également de déployer des modèles d'apprentissage automatique via Flask et Gunicorn.

Ce projet utilise des techniques d'apprentissage automatique pour représenter et analyser les données de manière efficace. Il permet de former des modèles sur des données variées, telles que des images ou du texte, et de les utiliser pour différentes tâches, telles que la reconnaissance d'images ou le traitement du langage naturel.

Ce projet gère des conteneurs d'images pour les notebooks sur la plateforme JupyterCloud de PLM, facilitant l'analyse de données scientifiques, la création et l'exécution de notebooks Jupyter, ainsi que le déploiement de modèles d'apprentissage automatique.

Cette bibliothèque aide à l'implémentation de backends de classification automatique pour le Nyx larva tagger. Elle fournit une structure de projet Python et des scripts pour la préparation des données, l'extraction de caractéristiques, l'apprentissage de modèles et la prédiction de tags.