Libcaml-grew est une bibliothèque permettant d'analyser et de traiter des données textuelles de manière automatisée. Elle offre des fonctionnalités d'extraction d'information et de traitement du langage naturel.

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.

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.

Ce projet est dédié à l'analyse de données audio, à la reconnaissance vocale et au traitement du langage naturel. Il vise à fournir des outils avancés pour le traitement et l'analyse de données audio, ainsi qu'à améliorer la compréhension et l'interprétation des données vocales.

Grew est un projet dédié au traitement automatisé du langage naturel. Il permet l'analyse sémantique de texte et la création de règles pour le traitement de texte. Il dispose d'une interface de ligne de commande et d'une interface web-based pour faciliter son utilisation.

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.

Dépôt contenant des outils en traitement naturel du langage (NLP) permettant de construire une image Docker, avec une surcouche OVH pour profiter du service AI-Training. Il inclut des fonctionnalités telles que la gestion de mémoire, l'exécution de notebooks et l'intégration avec des services Google.

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.

Ce projet utilise TensorFlow et scikit-learn pour effectuer des analyses et classifications de données, en particulier du texte, grâce au traitement du langage naturel avec des outils tels que gensim et NLTK.