BioPyC est une plateforme open-source Python permettant aux utilisateurs de lire, filtrer, classer et évaluer les performances de signaux EEG et physiologiques hors ligne. Il offre une interface unique pour créer rapidement des modèles d'apprentissage machine et comparer les classificateurs basés sur des signaux EEG et physiologiques sans codage.

Le projet vise à analyser les signalements de la DGS grâce aux techniques d'intelligence artificielle. Il se compose de 4 livrables : un socle technique d'ingestion des données, des algorithmes de classification des signalements, des algorithmes de regroupement des signalements, et une interface de traitement des signalements.

Ce projet est une collection d'algorithmes, de visualisations et d'outils pour le traitement de signaux biomédicaux, en particulier pour l'analyse de données EEG et la création d'interfaces cerveau-ordinateur. Il inclut des fonctionnalités telles que le prétraitement de signaux, la détection de caractéristiques, la classification et la visualisation de données en temps réel.

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 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.

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>

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.

Bibliothèque Java permettant de classer des textes selon la catégorie de sentiment exprimé. Utilise Weka, tt4j et TreeTagger pour l'analyse linguistique et statistique.