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.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour des tâches telles que la classification, les régressions, les réseaux neuronaux convolutionnels et les réseaux récurrents.

BioPyC est une plateforme open-source Python permettant aux utilisateurs de lire, filtrer, classer et évaluer les performances de signaux EEG et physiologiques hors ligne. Il offre une interface unique pour créer rapidement des modèles d'apprentissage machine et comparer les classificateurs basés sur des signaux EEG et physiologiques sans codage.

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.

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.

Echo est un logiciel open source d'analyse de l'opinion sur les tweets et les textes. Il est principalement basé sur un algorithme de classification supervisée appelé (Support Vector Machine SVM). Un ensemble de données d'apprentissage a été utilisé pour former un modèle de classification. Un ensemble de développement a été utilisé pour ajuster les paramètres de SVM. Un ensemble de test a été utilisé pour évaluer les performances du système.

Scikit-learn est un ensemble de modules Python dédiés à l'apprentissage automatique et au data mining. Il permet de réaliser diverses tâches telles que la classification, le régression, le clustering, la réduction de dimensionnalité, la sélection de modèles, etc.

Scikit-learn est une bibliothèque Python open-source dédiée à l'apprentissage automatique et à l'analyse de données. Elle fournit une large gamme d'algorithmes pour la classification, le régression, le clustering, la réduction de dimensionnalité et la sélection de modèles.

Ce projet est un modèle d'apprentissage profond capable de traiter des images et d'en extraire des informations utiles. Il utilise des algorithmes de deep learning pour détecter et classifier des formes, des objets ou des caractères spécifiques dans des images.

Espace de documentation de la mission interministérielle pour l'apprentissage, présentant l'objet, les finalités, l'équipe et l'écosystème d'intervention de la mission.