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.

Ce projet automatise le traitement et la transformation de données médicales en utilisant le standard FHIR (Fast Healthcare Interoperability Resources). Il permet d'intégrer, normaliser et valider des données de santé issues de différentes sources pour les rendre exploitables dans des systèmes d'information médicaux. Le pipeline gère l'extraction, le nettoyage, le stockage et la mise à disposition des données via une API FHIR, facilitant ainsi l'interopérabilité entre systèmes de santé.

Application permettant le téléchargement de données géospatiales à partir de services web OGC (WFS et WCS). Les extractions sont planifiées et gérées par des utilisateurs administrateurs. L'application envoie des emails aux utilisateurs pour les informer de l'état de leur demande.

Service automatisé d'extraction et de structuration de tableaux financiers à partir de documents PDF (comptes sociaux). Utilise des technologies d'OCR neuronal et de modèles de langage pour transformer des documents scannés ou nativement numériques en données structurées exploitables. Permet une analyse rapide et fiable des données comptables pour des audits, des comparaisons ou des rapports automatisés.

Le projet python-l1 est une solution dédiée à la gestion et l'analyse de données financières. Il permet d'importer, de structurer et d'analyser des données provenant de différentes sources, telles que des relevés de compte ou des extractions de données bancaires. Grâce à des algorithmes avancés de détection de fraude et de tendances, il offre une visibilité accrue sur les opérations financières et aide les utilisateurs à prendre des décisions éclairées.

Ce projet automatise l'extraction de triplets RDF à partir de données archéologiques structurées en utilisant des modèles de langage (LLM) et l'ontologie CIDOC CRM. Il facilite la création de graphes de connaissances archéologiques en combinant des données spécifiques au domaine avec des stratégies de prompting avancées. Développé dans le cadre du projet ANR Digitalis, il propose trois approches pour générer des triplets sémantiques précis et adaptés aux besoins de l'archéologie.

Plateforme dédiée à la gestion, l'analyse et l'archivage de corpus textuels, principalement destinée aux chercheurs en sciences humaines. Elle permet de structurer, annoter et explorer des collections de documents historiques ou littéraires. Les outils intégrés facilitent l'extraction de données, la visualisation des résultats et la collaboration entre utilisateurs pour des projets de recherche.

Darfix est une bibliothèque Python dédiée à l'analyse de données issues de la microscopie à champ sombre. Elle propose des techniques avancées de vision par ordinateur pour traiter et interpréter ces données. Le projet inclut également une interface graphique et un module complémentaire pour Orange3, permettant aux utilisateurs de concevoir des workflows analytiques de manière intuitive. Destiné principalement aux chercheurs et scientifiques, il facilite l'extraction d'informations pertinentes à partir d'images complexes.

RADIS est une bibliothèque R développée par l'UMR G-EAU et ses partenaires, conçue pour faciliter l'extraction, la transformation et l'analyse de données environnementales et agronomiques en France. Elle permet aux utilisateurs d'accéder à des jeux de données variés (cultures, climat, sol) via des requêtes spatiales, et de les visualiser sous forme de cartes interactives. L'outil s'adresse aux chercheurs, agronomes et gestionnaires de territoires pour soutenir la prise de décision dans les domaines de l'agriculture et de l'environnement.

CP4AR est un outil dédié à l'extraction de règles d'association et de règles non redondantes minimales à partir de bases de données transactionnelles. Il permet d'identifier des relations entre variables dans des jeux de données volumineux, facilitant ainsi l'analyse de comportements ou de tendances. Utilisé en data mining, il aide les chercheurs et analystes à découvrir des motifs fréquents et à générer des règles pertinentes pour la prise de décision.