Projekt Python do automatycznej analizy danych, trenowania prostych modeli ML (regresja / klasyfikacja), wykrywania anomalii oraz wizualizacji wyników w spójnym, estetycznym stylu.
Sign in to like and favorite skills
Projekt Python do automatycznej analizy danych, trenowania prostych modeli ML (regresja / klasyfikacja), wykrywania anomalii oraz wizualizacji wyników w spójnym, estetycznym stylu.
analiza_danych_i_wizualizacja/ │ ├── analysis.py # logika analizy danych i modeli ML ├── viz.py # spójne wizualizacje w stylu #555555 ├── main # skrypt uruchamiający (np. CLI / notebook) ├── demo_agent_chat # przykładowe użycie agentów LLM ├── LLM_agents_vs # porównanie wyników agentów LLM ├── requirements.txt # zależności └── README.md # dokumentacja projektu
python -m venv venv source venv/bin/activate # Linux / macOS venv\Scripts\activate # Windows
pip install -r requirements.txt
Zawartość pliku requirements.txt:
pandas scikit-learn matplotlib scipy google-adk google-genai python-dotenv
Moduł analysis.py umożliwia:
automatyczne czyszczenie i konwersję danych,
regresję liniową i sieć neuronową (MLP),
klasyfikację,
wykrywanie anomalii (IsolationForest + Z-score).
Moduł viz.py generuje wykresy w spójnym stylu (#555555, jasny tekst, turkusowo–zielona paleta).
Obsługiwane typy wykresów:
Repozytorium zawiera pliki:
demo_agent_chat
LLM_agents_vs - koneicznie skonfiguruj go samodzielnie!
Pokazują one integrację analizy danych z agentami LLM (np. Google GenAI) — w celu wspomagania interpretacji wyników i automatyzacji procesów analitycznych.
Kluczowy wniosek projektu:
Instrukcja (prompt) jest najważniejszym elementem pracy agenta LLM. Od sposobu, w jaki formułujesz kontekst, polecenia i ograniczenia, zależy jakość, precyzja i użyteczność odpowiedzi. Nawet przy tym samym modelu (np. Google GenAI lub OpenAI GPT) różnice między wynikami mogą być ogromne — wyłącznie z powodu innej instrukcji.
W projektach analitycznych dobrze zdefiniowany kontekst i rola agenta (np. “ekspert ds. wizualizacji danych” lub “model interpretujący wyniki regresji”) mają kluczowe znaczenie dla skuteczności całego systemu.
Marzena Halama