Projet dédié à l'analyse et à la classification automatique de documents textuels. Il permet d'extraire des entités nommées, de catégoriser des contenus et d'identifier des thèmes principaux. Utilisé pour automatiser le traitement de grandes quantités de texte, il facilite la recherche d'informations et l'organisation de données non structurées.

Florilège est une plateforme française dédiée à l'annotation participative de Ressources Éducatives Libres (RELs). Elle permet aux utilisateurs de contribuer à la description, à l'enrichissement et à la classification de contenus pédagogiques ouverts. Le projet facilite la découverte et la réutilisation de ressources éducatives en offrant des outils collaboratifs pour l'ajout de métadonnées, de mots-clés et de commentaires, favorisant ainsi une communauté éducative engagée dans le partage de savoirs.

Service d'indexation automatique de contenus logiciels pour faciliter leur analyse et leur classification. Il permet de détecter les types de fichiers, les licences open source, et d'extraire des métadonnées structurées à partir de dépôts de code. Utilisé pour améliorer la traçabilité et la compréhension des projets open source hébergés par l'organisation.

Ce projet développe des modèles d'intelligence artificielle pour classifier des IRM cérébrales en distinguant des états comateux et non-comateux. Il compare les performances de plusieurs architectures de réseaux de neurones profonds (comme LeNet17) et applique des techniques de transfert d'apprentissage pour améliorer la précision des diagnostics. Les résultats sont utilisés pour soutenir la recherche médicale et l'analyse automatisée d'images médicales.

SIRIUS-ML est un dépôt de code dédié à l'analyse et au traitement automatisé de verbatims. Il propose des outils pour modérer, classifier et détecter des anomalies dans des contenus textuels, tout en garantissant l'anonymisation des données sensibles. Ces fonctionnalités sont utilisées dans le cadre du projet SIRIUS, une initiative publique visant à améliorer la gestion des retours citoyens.

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.

Ce projet développe un modèle de classification des formes cliniques de sclérose en plaques à partir d'images d'IRM T1w. Il utilise des réseaux de neurones convolutifs graphiques pour analyser la connectivité morphologique cérébrale. Les données extraites d'atlas cérébraux sont exploitées pour améliorer la précision diagnostique et soutenir la recherche médicale dans le domaine des maladies neurodégénératives.

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 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.

Skolar est une plateforme dédiée à l'analyse et au traitement automatisé de données textuelles. Elle permet d'extraire, structurer et classifier des informations issues de documents variés pour faciliter leur exploitation. Utilisée dans des contextes académiques, éditoriaux ou professionnels, elle optimise la gestion de contenus textuels massifs grâce à des algorithmes avancés de traitement du langage naturel.