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.

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.

Ce projet implémente une solution pour classer les magasins de détail en fonction de leurs ventes annuelles en utilisant un jeu de données réel. Il comprend des algorithmes de nettoyage et de préparation de données pour gérer les caractéristiques catégorielles sales, ainsi qu'une méthode de classification des produits en utilisant une hiérarchie de produits locale. Les résultats sont validés en comparant avec des jeux de données étiquetés manuellement.

Ce projet gère un catalogue de produits pour un magasin, avec une classification en trois catégories : alimentaire, de bricolage et de jardinage. Il permet de gérer le stock de chaque produit, d'afficher les informations de chaque produit et de réaliser des opérations de gestion courantes (création, modification, suppression).

Orfeo ToolBox (OTB) est un projet open-source pour le traitement avancé d'images satellites. Il peut traiter des images optiques, multispectrales et radar à l'échelle du téraoctet. Les applications incluent l'ortho-rectification, le pansharpening, la classification, le traitement SAR et bien plus encore. Les algorithmes d'OTB sont accessibles via Monteverdi, QGIS, Python, la ligne de commande ou C++. Monteverdi est un outil de visualisation facile à utiliser avec une mise en évidence matérielle accélérée pour les images haute résolution (optiques et SAR). Il permet de visualiser de grands produits d'images brutes et d'accéder à toutes les applications du toolbox. OTB est disponible sur Windows, Linux et Mac, et est extensible, documenté et communautaire.

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.

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.

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.

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>