Ce projet est un classificateur automatique de données textuelles basé sur des modèles de langage (LLMs). Il permet de catégoriser et d'analyser le sens de texte brut pour faciliter le tri et le traitement de grandes quantités de données.

Le projet MML-classification permet de définir des modèles de machine learning à des fins de classification, en spécifiant des jeux de données d'entrée et en configurant des algorithmes de classification. Il offre également des options de validation croisée.

Projet de classification d'images utilisant le modèle Yolo-Classification sur un serveur Debian 12 Bookworm avec une carte graphique NVIDIA GeForce RTX 2060 SUPER. Les données utilisées pour l'entraînement du modèle sont disponibles à l'adresse <https://src.koda.cnrs.fr/lamop/yolo-classification/-/tree/main/Data?ref_type=heads>

Le projet text-classification est un outil d'analyse et de traitement automatique de texte. Il permet de classer, catégoriser et analyser le contenu de données textuelles, offrant ainsi des informations précieuses pour la prise de décision et l'automatisation des processus.

Ce projet consiste en un catalogue de notebooks d'entrée de gamme dédié à la formation de professionnels de santé. Il permet la classification de médicaments et l'analyse de données médicales.

Le projet dterocc.modeleursQgis3.classificationLCZ fournit des modeleurs QGIS3 pour la production d'une classification LCZ (Local Climate Zone) à partir de la méthode opérationnelle développée par le Cerema. Il permet aux utilisateurs de classer les zones d'occupation du sol en différentes catégories en fonction de leurs caractéristiques physiques et thermiques.

Bibliothèque Java permettant de classer des textes selon la catégorie de sentiment exprimé. Utilise Weka, tt4j et TreeTagger pour l'analyse linguistique et statistique.

Le projet shapingAI-classif est dédié à la classification de texte dans le cadre du projet Shaping AI. Il prend en entrée un fichier CSV avec des colonnes 'title' et 'content' et produit en sortie un fichier CSV avec la classification correspondante.

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.

Aps-rest is a RESTful server application implemented in Java, designed to assist suicide prevention efforts. It collects and classifies social media feeds, monitors and analyzes user activities, and identifies and assesses suicide risk factors in user activities.