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.

Linkex est un outil permettant de découvrir des candidats de clés de liaison à partir de deux jeux de données RDF. Les clés de liaison généralisent la combinaison de clés et d'alignements d'ontologies pour l'interconnexion des données. Une clé de liaison est un ensemble de paires de propriétés qui identifient de manière unique les instances de deux classes de deux jeux de données RDF. Linkex peut extraire des candidats de clés de liaison et les évaluer en fonction de la discriminabilité et de la couverture. Il peut également les évaluer en fonction d'un ensemble de référence de liens donné en entrée. Il est capable d'extraire des candidats avec des propriétés composées et inversées.

SCALPEL-Extraction est une bibliothèque du framework SCALPEL3, résultant d'un partenariat de recherche entre l'École Polytechnique et la Caisse Nationale d'Assurance Maladie. Elle fournit des extracteurs de concepts permettant de récupérer des événements médicaux et des patients significatifs à partir des données du Système National des Données de Santé (SNDS). Cette bibliothèque est basée sur Apache Spark et lit des données aplaties résultant de l'exécution de SCALPEL-Flattening sur des données SNDS brutes, pour ensuite extraire des `Patients` et des `Events` en trois étapes.

SCALPEL3 est un framework open-source conçu pour extraire des concepts médicaux de manière évolutive, reproductible et facile à partir de grandes bases de données observationales (LODs), avec un focus actuel sur les données du Système National des Données de Santé (SNDS) français. Il est basé sur PySpark et est composé de trois modules : SCALPEL-Flattening pour la dénormalisation des données, SCALPEL-Extraction pour l'extraction de concepts médicaux et SCALPEL-Analysis pour l'analyse de données de cohortes.

Ce projet gère des données multimédias telles que la musique, en les stockant dans une base de données et en les analysant pour extraire des informations pertinentes. Il permet également de gérer des contacts en important des données CSV et en créant une base de données correspondante. Le projet offre des fonctionnalités de contrôle d'affichage et de navigation, avec une prise en charge de différentes configurations d'interface utilisateur.

ArchiveExtractor est un module Python permettant d'extraire et d'analyser des données à partir d'archives HDB/TDB. Il offre des fonctions pour rechercher des attributs et extraire des données entre deux dates, retournant des objets pandas.DataFrame. Il est particulièrement utile pour les applications de gestion de données en temps réel et d'analyse scientifique.

Package R contenant des données génétiques de blé fondé dans le cadre du projet BreedWheat. Il contient des données sur 4506 échantillons de blé et peut être utilisé pour accéder à la liste des échantillons, aux données de chromosomes spécifiques et pour extraire des données spécifiques.

Miet est un package R qui fournit un ensemble de fonctions pour spécifier et extraire des data frames ou tibbles prêts pour l'analyse à partir de populations d'images médicales. Il est conçu pour spécifier et extraire des données à partir d'une hiérarchie de dossiers contenant des données d'imagerie médicale et pour analyser ces données en utilisant des formules d'extraction.

Le projet Gildas est un conteneur Docker basé sur Debian Bullseye qui permet d'exécuter l'application Gildas avec son interface graphique. Il est utilisé pour l'analyse de données scientifiques en astronomie, en particulier pour l'extraction de données à partir de cubes astronomiques. Le conteneur inclut des scripts pour extraire des données à partir de datacube pour des tests. Il permet de monter deux volumes : /data pour les données scientifiques et /maps pour les scripts .map de Gildas.

Le projet HelioViever coverage permet d'extraire des données de couverture à partir de la base de données HelioViewer et de générer des graphiques de couverture de données ainsi que des listes de sources de données.