https://github.com/alansteinbarth/irysy
🪻 Irysy 🌼 eksploracyjna analiza danych – wizualizacje, ML, transparentny kod i autorskie grafiki. Projekt łączący AI, estetykę i praktyczne umiejętności!
https://github.com/alansteinbarth/irysy
ai classification clean-code data-science exploratory-data-analysis feature-engineering github-pages iris-dataset jupyter-notebook machine-learning matplotlib modern-ui numpy open-source pandas portfolio-project python reproducible-research seaborn visualization
Last synced: 4 months ago
JSON representation
🪻 Irysy 🌼 eksploracyjna analiza danych – wizualizacje, ML, transparentny kod i autorskie grafiki. Projekt łączący AI, estetykę i praktyczne umiejętności!
- Host: GitHub
- URL: https://github.com/alansteinbarth/irysy
- Owner: AlanSteinbarth
- License: mit
- Created: 2025-06-24T20:20:16.000Z (7 months ago)
- Default Branch: main
- Last Pushed: 2025-06-25T10:04:55.000Z (7 months ago)
- Last Synced: 2025-09-01T21:21:22.314Z (5 months ago)
- Topics: ai, classification, clean-code, data-science, exploratory-data-analysis, feature-engineering, github-pages, iris-dataset, jupyter-notebook, machine-learning, matplotlib, modern-ui, numpy, open-source, pandas, portfolio-project, python, reproducible-research, seaborn, visualization
- Language: Jupyter Notebook
- Homepage:
- Size: 9.08 MB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# 🪻 Irysy 🌼 - Eksploracyjna Analiza Danych (EDA)
Ten projekt zawiera kompletną eksploracyjną analizę danych (EDA) na klasycznym zbiorze danych Irysy .
## Zawartość
Repozytorium zawiera:
- Notebook `Irysy.ipynb` z kompletną eksploracyjną analizą danych (EDA), wizualizacjami i modelami ML
- Plik `iris.csv` z danymi źródłowymi
- Folder `results/` z przykładowymi wykresami wygenerowanymi podczas analizy (histogramy, heatmapa, macierz pomyłek i inne)
- Folder `Foto/` z okładką projektu oraz zdjęciami trzech gatunków irysów
- Plik `requirements.txt` z wersjami wymaganych bibliotek (pandas, numpy, matplotlib, seaborn, scikit-learn)
- Plik `.gitignore` ignorujący pliki tymczasowe i środowiskowe
- Plik `LICENSE` (MIT License)
- Rozbudowane `README.md` z instrukcją uruchomienia, badge, sekcją demo (Colab), kontaktami, przykładowymi wynikami i checklistą EDA
Każdy z tych elementów wspiera czytelność, powtarzalność i prezentację projektu w portfolio.
## Jak uruchomić
1. Zainstaluj wymagane biblioteki:
```bash
pip install -r requirements.txt
```
2. Otwórz notebook `Irysy.ipynb` w Jupyter Notebook lub VS Code.
3. Przejdź przez kolejne komórki, aby zobaczyć analizę i wizualizacje.
## Jak uruchomić demo
Chcesz szybko uruchomić analizę bez instalacji? Skorzystaj z Google Colab:
[](https://colab.research.google.com/github/AlanSteinbarth/Irysy/blob/main/Irysy.ipynb)
Możesz też pobrać repozytorium i uruchomić notebook lokalnie zgodnie z instrukcją powyżej.
## Wymagane biblioteki
- pandas
- numpy
- matplotlib
- seaborn
- scikit-learn
## Kontakt
[](https://github.com/AlanSteinbarth)
[](https://www.linkedin.com/in/alansteinbarth)
[](mailto:alan.steinbarth@gmail.com)
Chętnie odpowiem na pytania dotyczące projektu lub współpracy!
---
## Badge
[](https://colab.research.google.com/github/AlanSteinbarth/Irysy/blob/main/Irysy.ipynb)
---
## Podsumowanie projektu
Projekt prezentuje pełny cykl eksploracyjnej analizy danych (EDA) na klasycznym zbiorze Irysów. Zawiera:
- Wczytanie i przygotowanie danych
- Analizę braków i duplikatów
- Wizualizacje i statystyki opisowe
- Analizę relacji między cechami
- Identyfikację wartości odstających
- Porównanie modeli ML (drzewo decyzyjne, kNN, regresja logistyczna)
- Wizualizacje PCA i t-SNE
Projekt pokazuje praktyczne umiejętności analityczne, znajomość narzędzi Python (pandas, seaborn, scikit-learn) oraz dbałość o czytelność i dokumentację.
## Przykładowe zdjęcia badanych gatunków Irysów
Poniżej przedstawiono przykładowe zdjęcia trzech gatunków Irysów analizowanych w projekcie:
| Iris-setosa | Iris-virginica | Iris-versicolor |
|:-----------:|:--------------:|:---------------:|
|  |  |  |
Każdy z tych gatunków posiada charakterystyczne cechy morfologiczne, które są analizowane w notebooku.
**Źródło zdjęć:** Wszystkie zdjęcia irysów pochodzą z Wikipedii (https://pl.wikipedia.org/wiki/Irys_(ro%C5%9Blina)). Wykorzystane zgodnie z licencją Wikimedia Commons. Jeśli wykorzystujesz ten projekt, pamiętaj o zachowaniu informacji o autorach i licencji zdjęć.
## Przykładowe wyniki i wykresy
W folderze `results/` znajdziesz przykładowe wykresy wygenerowane podczas analizy:
- Histogramy cech morfologicznych irysów
- Pairplot cech z podziałem na gatunek
- Heatmapa korelacji
- Macierz pomyłek (Decision Tree)
- Wizualizacja PCA i t-SNE
Przykład:
| Histogram cech | Heatmapa korelacji | Macierz pomyłek |
|:--------------:|:------------------:|:---------------:|
|  |  |  |
Wszystkie wykresy możesz wygenerować samodzielnie uruchamiając notebook lub skorzystać z gotowych plików w `results/`.