Exploration Détaillée des Datasets

Le bouton "Voir" vous amène directement à la page détaillée du dataset sélectionné.

La page s’ouvre sur un header impressionnant qui présente :

Informations Principales - Nom complet du dataset - Description et objectif - Année de création - Nombre d’instances et de features - Nombre de citations (si disponible)

Score de Qualité - Indicateur circulaire avec le score global - Couleur adaptée selon la qualité (vert, orange, rouge) - Animation pour attirer l’attention

Actions Disponibles - Télécharger : Accès aux fichiers du dataset - Favoris : Marquer comme favori pour accès rapide - Partager : Partager le dataset avec d’autres utilisateurs - Plus d’options : Menu avec actions supplémentaires

Tags et Classifications - Domaines : Secteurs d’application (éducation, santé, finance…​) - Tâches ML : Types d’analyses possibles (classification, régression…​)

Si des problèmes de qualité sont détectés, une section d’alertes apparaît avec :

Cartes résumant les informations essentielles :

Tableau détaillé avec :

Métadonnées - Source et origine du dataset - Conditions d’accès (public, privé, restreint) - Niveau de représentativité - Équilibre des échantillons

Indicateurs Techniques - Dataset divisé (train/test) : ✓ ou ✗ - Anonymisation appliquée : ✓ ou ✗ - Facteurs temporels présents : ✓ ou ✗ - Métadonnées fournies : ✓ ou ✗

Section dédiée aux aspects éthiques avec indicateurs visuels :

Barres de progression colorées pour :

Recommandations de datasets connexes avec : - Nom et métadonnées de base - Raison de la similarité - Lien direct vers leur page de détail

Exploration des fichiers composant le dataset :

Sélecteur de Fichiers - Liste cliquable de tous les fichiers - Rôle logique (données d’entraînement, test, métadonnées…​) - Taille et nombre de lignes

Détails du Fichier Sélectionné - Format (CSV, JSON, etc.) - Taille en octets formatée - Description si disponible

Tableau détaillé de toutes les colonnes :

Informations Structurelles - Position dans le fichier - Nom de la colonne - Type de données (numérique, texte, date…​) - Possibilité de valeurs nulles

Indicateurs Spéciaux - 🔒 Données personnelles identifiables (PII) - 🔑 Fait partie de la clé primaire

Exemples et Description - Échantillons de valeurs réelles - Description du contenu si documentée

Résumé en cartes colorées : - Nombre total de lignes dans le dataset - Nombre de colonnes affichées - Nombre de lignes montrées (limité à 50)

Visualisation directe des données :

Fonctionnalités - Scroll horizontal pour voir toutes les colonnes - Formatage automatique des valeurs - Indicateur du nombre total de lignes disponibles - Limitation à 50 lignes pour la performance

Affichage - En-têtes fixes lors du défilement - Lignes alternées pour la lisibilité - Gestion des valeurs manquantes (—)

Cartes détaillées pour chaque colonne :

Pour Toutes les Colonnes - Type de données détecté - Nombre de valeurs non-nulles - Nombre de valeurs uniques - Exemples de valeurs

Pour les Colonnes Numériques - Moyenne et écart-type - Valeurs minimale et maximale - Quartiles et médiane

Présentation Visuelle - Cartes organisées en grille responsive - Couleurs distinctes selon le type de données - Effets hover pour l’interactivité

Analyse des relations entre variables :

Tableau des Corrélations - Paires de features avec corrélation significative (> 0.1) - Valeur de corrélation (-1 à +1) - Type de corrélation (Pearson, Spearman, Kendall) - Barre visuelle pour l’intensité

Classification par Force - Forte (> 0.7) : Corrélation très significative - Moyenne (0.3-0.7) : Corrélation modérée - Faible (0.1-0.3) : Corrélation légère

Analyse des motifs de valeurs manquantes :

Informations par Pattern - Description du pattern de manquement - Nombre d’occurrences - Pourcentage du dataset affecté - Barre de progression visuelle

Utilité - Identifier les patterns systématiques - Comprendre les causes des données manquantes - Guider les stratégies d’imputation

Pour les datasets de classification :

Variable Cible - Identification automatique de la variable cible - Distribution des différentes classes - Détection des déséquilibres

Visualisation - Barres proportionnelles à chaque classe - Valeurs absolues et pourcentages - Indication des classes sous-représentées

Lorsque disponible :

Classement des Variables - Contribution relative de chaque feature - Pourcentage d’importance - Classement par ordre décroissant

Interprétation - Variables les plus influentes identifiées - Guide pour la sélection de features - Base pour l’optimisation des modèles

Retour - Icône flèche vers la gauche dans le header - Retour à la liste des datasets avec filtres conservés

Breadcrumb - Chemin de navigation visible en haut de page - Accueil > Datasets > Nom du dataset

Depuis n’importe quel Onglet - Télécharger le dataset complet - Ajouter aux favoris pour accès rapide - Partager avec l’équipe ou exporter l’URL - Signaler un problème de qualité

Intégration avec les Projets - Sélectionner le dataset pour un nouveau projet - Utiliser dans un pipeline ML existant - Comparer avec d’autres datasets

Points d’Attention - Score global < 70% : dataset potentiellement problématique - Complétude < 80% : beaucoup de données manquantes - Alertes PII : risques de conformité RGPD

Métriques Importantes - Nombre d’instances suffisant pour votre analyse - Features pertinentes pour vos objectifs - Distribution équilibrée des classes (si classification)

Navigation Efficace - Utilisez les onglets pour explorer méthodiquement - Concentrez-vous d’abord sur la vue d’ensemble - Approfondissez avec l’aperçu des données et analytics

Comparaison - Notez les datasets similaires recommandés - Comparez les métriques de qualité - Évaluez les avantages de chaque option

Si certaines sections ne s’affichent pas : - Vérifiez votre connexion internet - Actualisez la page avec F5 - Essayez de changer d’onglet et revenir

Aperçu des données vide : - Le dataset peut ne pas avoir de fichiers d’aperçu - Vérifiez l’onglet "Fichiers et Structure" - Contactez l’administrateur si le problème persiste

Si la page se charge lentement : - Les datasets volumineux prennent plus de temps - L’analyse de corrélations peut être longue - Utilisez l’onglet Vue d’ensemble en premier

En cas d’erreur : - Utilisez le bouton "Réessayer" - Vérifiez que le dataset existe toujours - Retournez à la liste et resélectionnez