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.

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.

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 est un cadre Python qui permet d'identifier et de classer les tweets liés aux crises en fonction de leur informativité. Il utilise des algorithmes de classification et de regroupement de texte pour extraire les tweets les plus pertinents et les classer en fonction de leur similarité sémantique avec un lexique de crise.

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 consiste en la réalisation d'un TD sur la fouille de textes et la classification de textes, plus précisément sur des critiques de films positives et négatives. Il permet de comparer différentes approches de classification et différentes représentations textuelles des critiques de films.

Ce projet vise à analyser et classer les relations discoursives dans des textes, en décomposant ces relations en primitives. Il a été développé dans le cadre d'une recherche pour le papier intitulé 'Which aspects of discourse relations are hard to learn? Primitive decomposition for discourse relation classification' présenté à la conférence Annual SIGdial Meeting on Discourse and Dialogue en septembre 2019.

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.

Predicat est une API de classification de libellés de caisse conçue pour faciliter l'analyse sémantique de textes et aider à la catégorisation de dépenses. En lien avec l'application Product Labelling, Predicat permet de classer automatiquement les libellés de caisse en se basant sur des modèles de langue pré-entraînés.

Echo est un logiciel open source d'analyse de l'opinion sur les tweets et les textes. Il est principalement basé sur un algorithme de classification supervisée appelé (Support Vector Machine SVM). Un ensemble de données d'apprentissage a été utilisé pour former un modèle de classification. Un ensemble de développement a été utilisé pour ajuster les paramètres de SVM. Un ensemble de test a été utilisé pour évaluer les performances du système.