Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Projet pédagogique dédié à l'apprentissage et à l'expérimentation des techniques de deep learning. Il permet aux utilisateurs de charger des jeux de données, de construire et d'entraîner des modèles de réseaux de neurones pour des tâches de classification d'images. Le projet inclut des outils pour visualiser les résultats et suivre les performances des modèles via une plateforme dédiée.
- Notoriété 7 %Outil dédié à l'analyse et à la visualisation des performances de modèles de classification ou de machine learning. Il permet d'évaluer des métriques clés comme la précision, le rappel ou le F1-score, et de générer des matrices de confusion pour comparer différents modèles. Les résultats sont présentés sous forme de tableaux et graphiques interactifs pour faciliter l'interprétation des performances.
- Ce projet est un cours universitaire dédié à la science des données. Il couvre les techniques de récupération, de stockage, de nettoyage, de visualisation et d'analyse de données. Les étudiants apprennent à extraire des données depuis des sources comme des feuilles de calcul, des bases de données ou le web, puis à les analyser et les visualiser. Le cours inclut également des méthodes de prétraitement, de classification, de régression et de clustering.
- Ce projet analyse les pratiques numériques des chercheurs à partir d'une enquête par questionnaire. Il permet de transformer des données brutes en tableaux exploitables, d'explorer les variables, de réaliser des statistiques descriptives et des visualisations. L'objectif est de produire une typologie des répondants et d'identifier des profils types à travers des méthodes d'analyse factorielle et de classification. Les résultats sont présentés sous forme de rapports et de visualisations pour faciliter l'interprétation des données.
- JCL est une bibliothèque open source dédiée à l'analyse de données, au clustering et à la classification automatique. Elle permet aux chercheurs et développeurs de traiter des jeux de données variés, d'appliquer des algorithmes de machine learning pour regrouper des données similaires, et de visualiser les résultats obtenus. L'outil est particulièrement utile pour l'exploration de données massives et la détection de structures sous-jacentes dans des ensembles complexes.
- Ce projet vise à simplifier des modèles 3D au format STEP, souvent très détaillés et lourds, en réduisant le nombre de pièces et de détails superflus. Il permet ainsi d'optimiser les fichiers pour une visualisation plus rapide et moins gourmande en ressources, tout en conservant l'essentiel de la structure du modèle. Les stratégies de classification développées identifient et regroupent les pièces similaires pour faciliter leur suppression ou leur regroupement.
- Notoriété 7 %Application dédiée à l'étiquetage et à la classification automatique de tickets de transaction. Elle permet aux utilisateurs de labelliser manuellement des produits à partir de fichiers, tout en proposant des prédictions basées sur des modèles d'apprentissage automatique. L'outil facilite également la visualisation des résultats, incluant les données prétraitées et les prédictions générées par le modèle. Destiné aux professionnels de l'analyse de données ou aux équipes travaillant sur des projets de classification de transactions.
- Le projet dad est une bibliothèque R dédiée à l'analyse et à la gestion de données probabilistes. Il permet de manipuler des ensembles de variables mesurées sur des groupes d'individus, chacun associé à une fonction de densité de probabilité estimée. Les outils proposés incluent des méthodes d'analyse en composantes principales, de classification, de discrimination et de visualisation pour ces données spécifiques. Il s'adresse principalement aux chercheurs et statisticiens travaillant sur des problématiques nécessitant une approche probabiliste.
- Ce projet développe un modèle d'ensemble de classifieurs monotones bidimensionnels pour l'analyse de données médicales. Il permet de prédire des risques ou des comportements à partir de données structurées, comme des facteurs de risque de cancer du col de l'utérus. Le code intègre une présélection de paires de caractéristiques pour réduire significativement le temps de calcul. Les résultats sont visualisés sous forme de courbes ROC et de graphiques de classification.
- Ce projet pédagogique est dédié à l'introduction au machine learning, plus précisément à l'analyse et à la visualisation de données d'images. Il permet aux étudiants de comprendre les concepts de base du traitement d'images et de l'apprentissage automatique à travers des exercices pratiques et des visualisations interactives. Le dépôt contient des outils pour charger, analyser et représenter des ensembles de données d'images, facilitant ainsi l'apprentissage des techniques de classification et de reconnaissance.
46 initiatives
10