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 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.

Le projet lrec-coling2024 est dédié au traitement et à l'analyse de données textuelles. Il offre des fonctionnalités avancées de classification, de détection de langues et d'extraction d'information, permettant une meilleure compréhension et exploitation des données.

Service d'analyse en text mining sur Migale dédié aux sciences de la vie. Il offre une collaboration et un accompagnement sur demande pour des mini-projets d'extraction d'informations à partir de textes bruts issus de la littérature scientifique ou de bases de données en bioinformatique. Les projets d'analyse doivent correspondre à des applications du text mining pour les sciences de la vie et visent la constitution de corpus textuels thématiques, l'extraction d'entités nommées et la classification d'informations textuelles.

PyMotifs est une bibliothèque open source dédiée à l'analyse, la modélisation et la classification de textes dans le domaine des sciences humaines. Développée par des chercheurs du CNRS et de l'Université Paris III, elle permet aux utilisateurs de traiter des corpus textuels de manière automatisée. L'outil facilite l'exploration de motifs linguistiques, l'identification de structures récurrentes et l'extraction de connaissances à partir de données textuelles complexes. Il s'adresse principalement aux chercheurs, enseignants et étudiants en linguistique, littérature ou sciences sociales.

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.

Module basé sur l'IA pour classifier automatiquement des documents selon la nomenclature NACE. Utilise des embeddings, le RAG et une coopération multi-agents pour fournir un contexte enrichi et des résultats plus précis. Permet d'automatiser des tâches de classification et d'analyse de données textuelles dans un cadre professionnel.

Projet de recherche académique dédié à la classification zéro-exemple des relations discursives dans des textes multilingues. Il permet d'identifier et catégoriser automatiquement les liens logiques entre phrases ou segments de texte sans entraînement préalable sur des données spécifiques à une langue. Les applications visent à améliorer la compréhension automatique des discours dans des contextes variés, notamment pour des études linguistiques ou des outils d'analyse textuelle avancés.

Ce projet propose un cadre unifié et extensible pour la classification de texte avec des variables catégorielles, basé sur PyTorch et PyTorch Lightning. Il permet de gérer des données textuelles complexes en les combinant avec des variables catégorielles, offrant une flexibilité totale dans le choix des tokenizers et des architectures. Le framework simplifie l'entraînement, l'évaluation et la prédiction, tout en intégrant des outils d'explicabilité pour comprendre les décisions du modèle.

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.