Analiza_danych_i_wizualizacja

Projekt Python do automatycznej analizy danych, trenowania prostych modeli ML (regresja / klasyfikacja), wykrywania anomalii oraz wizualizacji wyników w spójnym, estetycznym stylu.

📁 Struktura repozytorium

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

Utwórz i aktywuj środowisko wirtualne:

python -m venv venv source venv/bin/activate # Linux / macOS venv\Scripts\activate # Windows

Zainstaluj wymagane biblioteki:

pip install -r requirements.txt

Zawartość pliku requirements.txt:

pandas scikit-learn matplotlib scipy google-adk google-genai python-dotenv

Użycie

1. Analiza danych

Moduł analysis.py umożliwia:

• automatyczne czyszczenie i konwersję danych,

• regresję liniową i sieć neuronową (MLP),

• klasyfikację,

• wykrywanie anomalii (IsolationForest + Z-score).

2. Wizualizacje

Moduł viz.py generuje wykresy w spójnym stylu (#555555, jasny tekst, turkusowo–zielona paleta).

Obsługiwane typy wykresów:

• histogram
• boxplot
• scatter
• reg_line
• confusion_matrix
• pred_vs_true
• pred_sequence
• residuals
• anomaly_scatter

3. Agenci LLM

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.

Author

Marzena Halama