Bibliothèque COMPRISE pour l'apprentissage supervisé faible de la transcription de la parole en texte (STT). Comprend trois composants : Err2Unk, Weakly Supervised Training basé sur les états de dialogue et Confusion Network basé sur l'apprentissage de modèles de langage (CN2LM).

Ce projet vise à fournir une solution de segmentation d'instances d'objets dans les images, en utilisant un apprentissage supervisé faible. Il permet une analyse approfondie des images et une détection précise des objets.

Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.

Ce projet vise à dresser un état de l'art sur la sélection de variables dans le cadre de l'apprentissage automatique et du data mining, en se concentrant sur les approches supervisée, semi-supervisée et non-supervisée, ainsi que sur le traitement des données multi-labels avec étiquetage incertain. L'objectif est d'améliorer la performance des algorithmes d'apprentissage en nettoyant l'espace de description des données.

Ce projet implémente une méthode d'apprentissage automatique non supervisée pour le suivi de mouvements multiples dans des vidéos. Il utilise un réseau neuronal récurrent stochastique (SRNN) et un modèle d'autoencodeur variationnel dynamique (DVAE) pour prédire et suivre les trajectoires d'objets dans des scènes complexes.

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.

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.

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.

Mangoes est un outil permettant de traiter des données textuelles, de calculer des co-occurrences et de générer des représentations de mots (word embeddings) à l'aide de méthodes d'apprentissage automatique non supervisées. Il propose également des méthodes d'évaluation statistique et intrinsèque ainsi que des outils de visualisation.

MonoProb est un projet de recherche en vision par ordinateur qui vise à estimer la profondeur d'une scène à partir d'une seule image. Il s'appuie sur des méthodes d'apprentissage profond auto-supervisées et fournit des incertitudes interprétables. Il a été accepté à la conférence IEEE Winter Conference on Applications of Computer Vision (WACV) 2024.