Projects with this topic
-
veri.mcore is a freely available, open-source tool to
Analyse your business problems both in diagrams and tables
Design and implement solutions using a tabular interface, similar to a business rule editor
Build, deploy, and operate your business in a tailored generated solution looking like a simple excel sheet, but behaving like a full scaled business software.
Further documentation is on https://www.veri.school/veri-mcore-of-veri-school
LICENCE
Eclipse Public License - v 1.0 THE ACCOMPANYING PROGRAM IS PROVIDED UNDER THE TERMS OF THIS ECLIPSE PUBLIC LICENSE ("AGREEMENT"). ANY USE, REPRODUCTION OR DISTRIBUTION OF THE PROGRAM CONSTITUTES RECIPIENT'S ACCEPTANCE OF THIS AGREEMENT.
Updated -
Le projet est réalisé par ALVAREZ Océane et IBRAHIM Benita, étudiantes en M1 Bio-informatique parcours BBS (Bio-informatique et biologie des Systèmes) de l'Université de Toulouse. Ce projet de fouille de données est un projet réalisé dans le cadre de l'UE : Fouille de données, dirigée par Mr. Roland Barriot : @rbarriot.
Durant cette étude des analyses seront effectuées sur R en fonction d'un dataset choisi. Le projet se décomposera en trois parties : La première consistera en une analyse exploratoire complète du jeu de données enfin d'en comprendre la structure. La seconde correspondra à la phase de conception, durant laquelle une réflexion sera menée sur les méthodes d’analyse à mettre en œuvre et sur les objectifs à poursuivre. Enfin, la troisième partie portera sur la mise en œuvre des analyses choisies, accompagnée d'une évaluation des résultats qui seront obtenus et d'une discussion sur de potentielles améliorations.
En raison d'une appétence particulière pour le domaine de la santé, le choix s'est orienté sur un dataset relatif aux maladies cardiovasculaires. Pour plus d’informations sur les données, consultez la section dédiée et le README.md explicatif : https://gitlab.com/alvarez_oceane/fouille-projet/-/tree/master/data
L'objectif de notre étude est d'obtenir et d’identifier une ou plusieurs méthodes de classification supervisée capables de prédire correctement le type de douleur thoracique à partir des variables cliniques disponibles dans le dataset. Plusieurs méthodes seront comparées comme Naive Bayes, K-NN, LDA et Random Forest. L’obtention d’un ou plusieurs modèles fiables pour prédire correctement la classe des patients à partir des variables explicatives est attendu. Tout comme la visualisation des performances des modèles et la sélection du modèle final le plus pertinent.
Les codes, le rapport et chaque Rmd utilisé lors de l'étude sont disponibles sur ce git.
Updated -
This repository contains data and code utilized for the metric-learning based classification of the “human E3 ligome”–an extensive set of catalytic human E3s–by integrating multi-layered data, including protein sequences, domain architectures, 3D structures, functions, and expression pattern. Manuscript: https://www.biorxiv.org/content/10.1101/2025.03.09.642240v1.full.pdf
Updated -
An example of tabular data regression (parameter estimates) using TabNet
Updated -
[mirror] Attributes about whether foods are vegan/vegetarian for the USDA FDC FoodData database | https://v3gtb.github.io/fooddata-vegattributes/
Updated -
A web app that classifies drawn digits with an image classification model trained on the MNIST dataset.
Updated -
Use machine and deep learning to predict taekwondo moves from video
Updated -
Testing functions and features of a music production utility app.
Updated
