Le projet mmnlg2023 est une plateforme de traitement automatique du langage naturel (TALN) permettant la génération de textes à partir de descriptions, la création de résumés de documents et la traduction automatique de textes. Il est basé sur des algorithmes de pointe en intelligence artificielle et permet aux utilisateurs de bénéficier de fonctionnalités avancées de traitement du langage.

Le projet LREC2022 consiste en un corpus de textes cliniques en français annoté pour la similarité sémantique. Il a été construit sur la base du corpus CAS et contient 1000 paires de phrases évaluées sur une échelle de 0 à 5. Ce corpus est utile pour la recherche en apprentissage automatique et en traitement automatique du langage naturel dans le domaine médical.

Ce projet fournit une API pour l'analyse et le traitement de données, y compris l'apprentissage automatique et le traitement du langage naturel. Il permet aux utilisateurs de stocker, gérer et analyser des données à grande échelle.

TensorFlow est une bibliothèque open-source d'apprentissage automatique développée par Google Brain. Elle permet de créer et d'entraîner des modèles de machine learning pour une variété de tâches, telles que la reconnaissance d'images, le traitement du langage naturel, la prédiction de séries temporelles et la détection d'anomalies. TensorFlow prend en charge une grande variété d'algorithmes d'apprentissage automatique, y compris les réseaux de neurones convolutifs, les réseaux de neurones récurrents et les algorithmes d'optimisation stochastique.

Ce projet vise à analyser la distribution des références spatiales dans les contributions du Grand Débat, à l'aide de modèles de traitement automatique du langage naturel. Il permet d'étudier la place occupée par les mentions de localisation et de spatialisation dans les textes du corpus du Grand Débat.

Ce projet est dédié à l'analyse de données audio, comprenant la reconnaissance vocale, le traitement du langage naturel et l'apprentissage automatique. Il est le résultat du deliverable D2.2 du projet Comprise.

Ce projet utilise des techniques d'apprentissage automatique pour représenter et analyser les données de manière efficace. Il permet de former des modèles sur des données variées, telles que des images ou du texte, et de les utiliser pour différentes tâches, telles que la reconnaissance d'images ou le traitement du langage naturel.

Le projet herelles_NER est un outil d'extraction et d'analyse de règles spécifiques à un métier à partir de documents textuels. Il permet de détecter et de signaler les problèmes dans ces documents en utilisant des techniques de traitement automatique du langage naturel.

Terms extraction est une méthode de CorTexT Manager qui identifie automatiquement les termes pertinents par rapport à un corpus donné. Les outils de traitement du langage naturel utilisés permettent d'identifier non seulement des termes simples, mais également des multi-termes (appelés n-grammes).

Le projet bso3-analyse-publications a pour objectif d'extraire et d'analyser les métadonnées de publications scientifiques au format PDF. Il utilise des techniques d'apprentissage automatique et de traitement du langage naturel pour détecter et classifier les entités nommées, extraire les métadonnées et comparer les similarités entre les documents.