Awesome GitHub RepositoriesAgentic Data Exploration

Embedding Atlas est une interface web pour le rendu d'embeddings vectoriels de haute dimension et l'analyse de jeux de données complexes via un clustering visuel interactif. Il fonctionne comme un analyseur de données de haute dimension utilisé pour découvrir des tendances et des modèles de densité, agissant comme un explorateur de similarité vectorielle pour localiser les points de données les plus proches dans des jeux de données d'embedding à grande échelle. Le projet fournit un tableau de bord de données multimodal synchronisé qui lie les données tabulaires avec des images, de l'audio et du texte. Il utilise un rendu accéléré par le matériel pour afficher des millions de points d'embedding et emploie une projection de mappage de haute dimension pour révéler les structures et clusters de données globaux. La boîte à outils couvre un large éventail de capacités analytiques, notamment la recherche de similarité en temps réel, l'indexation spatiale des plus proches voisins et la synchronisation de l'état de filtrage croisé entre les tableaux de bord liés. Elle inclut également des interfaces pour l'exploration automatisée des données, permettant aux contrôleurs d'exécuter des requêtes et de mettre à jour les graphiques visuels par programmation.

Rath est une plateforme d'analyse de données propulsée par LLM et un moteur d'analyse augmentée conçu pour l'exploration et la visualisation automatisées de données. Il sert d'outil en libre-service pour découvrir des modèles au sein de grands jeux de données, traduire des requêtes en langage naturel en graphiques visuels, et identifier des relations causales entre variables à l'aide de modèles graphiques. La plateforme se distingue par un système de visualisation de données automatisé qui recommande les types de graphiques et les mises en page optimaux pour minimiser les erreurs de perception. Elle intègre des grands modèles de langage pour permettre l'interrogation de données en langage naturel et emploie des algorithmes d'apprentissage structurel pour la découverte de relations causales afin d'éclairer la prise de décision stratégique. Le système couvre un large éventail de capacités, incluant la préparation et le nettoyage de données, la création de tableaux de bord interactifs et la visualisation automatisée des tendances. Il propose à la fois un processus de découverte automatisé et une interface manuelle de type glisser-déposer pour une exploration indépendante des dimensions du jeu de données.

Visual Insights est une plateforme d'analyse exploratoire de données automatisée et un outil d'inférence causale conçu pour découvrir des modèles et des relations de cause à effet au sein des jeux de données. Il fonctionne comme une bibliothèque de visualisation de données interactive utilisant une approche de grammaire graphique pour générer des graphiques et des tableaux de bord multidimensionnels. Le projet se distingue par une interface en langage naturel qui traduit les questions en texte brut en réponses de données et visualisations via un modèle de langage. Il fournit un framework spécialisé pour la découverte et l'inférence causales, permettant aux utilisateurs d'identifier les liens entre variables via des graphes causaux interactifs et d'effectuer des analyses de type « et si » pour valider des hypothèses. La plateforme couvre un large éventail de capacités, incluant le nettoyage visuel des données, le profilage statistique et la transformation automatisée des jeux de données. Elle prend en charge l'intégration de données diverses provenant de fichiers locaux et de bases de données distantes, et dispose d'un moteur de traitement haute performance pour gérer de grands jeux de données localement. De plus, le système permet l'intégration de composants d'analyse interactifs dans des applications web et des notebooks.