Projet de recherche en traitement automatique du langage naturel (TALN) utilisant des modèles comme FlauBERT et FastText pour analyser des textes en français. Il génère des vecteurs sémantiques, compare des modèles de langage, évalue leur précision et visualise les résultats via des heatmaps et dendrogrammes. Les cas d'usage incluent l'analyse de sentiments, la classification de textes et l'étude des similarités lexicales.

Ce projet implémente l'algorithme d'apprentissage supervisé de fastText pour la classification de texte utilisant PyTorch. Il vise l'efficacité et la précision dans la classification de texte, la réduction de dimensions textuelles, l'analyse de sentiments et la catégorisation de contenu.

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 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 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.

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.

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>