File size: 3,978 Bytes
ae0b104 |
1 2 |
Une application web responsive développée avec Bolt. L'interface est conçue pour des utilisateurs non data scientists, leur permettant d’utiliser une solution AutoML de façon intuitive. L’écran principal contient une carte centrée avec le titre “Démarrer une nouvelle expérimentation AutoML”, suivie d’un bloc de téléchargement de fichier (.csv, .xlsx) avec prévisualisation des premières lignes. En dessous, l’utilisateur choisit la variable cible à expliquer via un menu déroulant auto-rempli. Dès qu’une variable est sélectionnée : si la cible est catégorielle, un histogramme clair s'affiche à droite, si la cible est continue, un boxplot stylisé s’affiche à droite. Vient ensuite un encadré intitulé “Quels sont vos objectifs ?”, avec 5 checkboxes bien espacées : obtenir un résultat très rapidement obtenir un modèle très performant obtenir un modèle interprétable utiliser le modèle en temps réel avoir un modèle simple Un bouton “Lancer l’entraînement” déclenche la simulation de plusieurs algorithmes de ML (dont AutoML : H2O AutoML, LightAutoML, MLJAR, Khiops, StatMining, etc). Résultats affichés dans un dashboard à 4 sections : Haut gauche : tableau des modèles testés triés par performance décroissante (type de modèle, score, temps d’entraînement) Haut droite : graphique en barres de l’importance relative des variables (top 10) dans le meilleur modèle Bas gauche : bouton “Appliquer ce modèle à un nouveau fichier” (upload d’un second jeu de données) Bas droite : encadré synthétique avec les détails de l’expérimentation : nom du fichier, variable cible, objectifs choisis, algo sélectionné, temps total, score, etc. Design moderne, clair, boutons arrondis, icônes intuitives, typographie sans-serif, responsive sur desktop/tablette. Les couleurs et icônes aident à la lisibilité et à l'expérience utilisateur sans surcharger.
Une application web responsive développée avec Bolt (framework basé sur Python). L'interface est destinée à des utilisateurs non data scientists pour exploiter facilement une solution AutoML. Sur la page d’accueil, un titre centré “Démarrer une nouvelle expérimentation AutoML”. Étape 1 – Upload du jeu de données : Un composant st.file_uploader permet à l’utilisateur d’importer un fichier .csv ou .xlsx. Après l’upload, les premières lignes du fichier sont affichées dans un st.dataframe. Étape 2 – Choix de la variable cible : Un st.selectbox permet de choisir la colonne cible. Dès qu’elle est sélectionnée : Si la colonne est de type catégoriel (peu de modalités uniques), afficher un st.bar_chart de sa distribution. Si elle est continue, afficher un st.boxplot avec seaborn ou matplotlib dans un st.pyplot. Étape 3 – Objectifs de modélisation : Une zone de st.multiselect propose les objectifs suivants : “obtenir un résultat très rapidement” “obtenir un modèle très performant” “obtenir un modèle interprétable” “utiliser le modèle en temps réel” “avoir un modèle simple” Étape 4 – Entraînement : Un st.button("Lancer l'entraînement") déclenche une simulation de différents modèles, incluant plusieurs solutions AutoML : H2O AutoML LightAutoML MLJAR Khiops StatMining Affichage des résultats (après entraînement) dans une grille 2x2 : En haut à gauche : un st.table avec les modèles triés par performance (score, temps, nom du modèle). En haut à droite : un graphe d’importance des variables (top 10), affiché avec matplotlib dans un st.pyplot. En bas à gauche : un st.file_uploader pour charger un nouveau jeu de données et bouton “Appliquer ce modèle”. En bas à droite : bloc de résumé : fichier utilisé, cible, objectifs, algo retenu, durée, performance finale. Design épuré, icônes claires, boutons arrondis, typographie lisible. L’interface est responsive (desktop/tablette). |