内容
<div align="center">
<h1>
<img src="https://readme-typing-svg.demolab.com?font=JetBrains+Mono&weight=800&size=42&duration=3000&pause=1000&color=6E40C9¢er=true&vCenter=true&width=800&lines=DataMinds+Labs;AI-Powered+Dataset+Intelligence;From+Raw+Ideas+%E2%86%92+ML-Ready+Data" alt="DataMinds Labs" />
</h1>
<br/>
<p align="center">
<a href="https://github.com/dhruv-005/DataMind_Labs">
<img src="https://img.shields.io/badge/%E5%B7%A5%E4%BD%9C%E5%99%A8-DataMinds_Labs-v1.0.0-6E40C9?style=for-the-badge&labelColor=0D1117" />
</a>
</p>
<p align="center">
<a href="https://github.com/dhruv-005/DataMind_Labs/stargazers">
<img src="https://img.shields.io/github/stars/dhruv-005/DataMind_Labs?style=for-the-badge&logo=github&color=f0c040&labelColor=0D1117&logoColor=white" />
</a>
<a href="https://github.com/dhruv-005/DataMind_Labs/network/members">
<img src="https://img.shields.io/github/forks/dhruv-005/DataMind_Labs?style=for-the-badge&logo=github&color=4A90D9&labelColor=0D1117&logoColor=white" />
</a>
<a href="https://github.com/dhruv-005/DataMind_Labs/issues">
<img src="https://img.shields.io/github/issues/dhruv-005/DataMind_Labs?style=for-the-badge&logo=github&color=E05C5C&labelColor=0D1117&logoColor=white" />
</a>
<a href="https://github.com/dhruv-005/DataMind_Labs/blob/main/LICENSE">
<img src="https://img.shields.io/badge/LICENSE-MIT-22C55E?style=for-the-badge&labelColor=0D1117&logo=opensourceinitiative&logoColor=white" />
</a>
<a href="https://github.com/dhruv-005/DataMind_Labs/commits/main">
<img src="https://img.shields.io/github/last-commit/dhruv-005/DataMind_Labs?style=for-the-badge&logo=git&color=F97316&labelColor=0D1117&logoColor=white" />
</a>
</p>
<p align="center">
<img src="https://img.shields.io/badge/Python-3.10%2B-3776AB?style=for-the-badge&logo=python&logoColor=white&labelColor=0D1117" />
<img src="https://img.shields.io/badge/Ollama-LLaMA3%20%7C%20Mistral-FF6B35?style=for-the-badge&logo=ollama&logoColor=white&labelColor=0D1117" />
<img src="https://img.shields.io/badge/MCP-Tool%20Protocol-8B5CF6?style=for-the-badge&logoColor=white&labelColor=0D1117" />
<img src="https://img.shields.io/badge/UI-Streamlit-FF4B4B?style=for-the-badge&logo=streamlit&logoColor=white&labelColor=0D1117" />
<img src="https://img.shields.io/badge/%E7%8A%B6%E6%80%81-Active%20Development-22C55E?style=for-the-badge&logoColor=white&labelColor=0D1117" />
</p>
<br/>
<p align="center">
<b>%E8%87%AA%E6%B2%9C%E6%9C%AF%C2%B7%E6%99%BA%E8%83%BD%C2%B7%E5%90%8C%E6%9C%AF%E6%9C%AA%E7%BB%88%C2%B7%E7%94%9F%E4%BA%A7%E7%BA%A7%E6%89%96%E6%9C%AF</b>
</p>
<p align="center">
%E8%AF%8B%E6%89%81%E6%9C%AF%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B3%E5%8F%B0%E5%8A%A1%E5%B0%86%E6%9C%AF%E6%89%96%E6%9C%AF%E7%94%9F%E6%88%90%E6%A1%88%E6%89%96%E6%9C%AF%E6%95%B0%E6%88%90%E6%89%96%E6%9C%AF%E6%9C%AA%E7%BB%88%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%88%90%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%9C%AF%E6%99%BA%E8%83%BD%E5%B9%B9%E6%89%96%E6%9C%AF%E6%95%B0%E6%AD%A6%E6%89%96%E6%
## 模块 3 — 数据注释与标签
注释模块实现了一个两阶段的标签流程 —— 大型语言模型（LLM）零样本分类后跟机器学习模型验证 —— 以大规模生产高置信度、可审计的标签。
```
┌─────────────────────────────────────────────────────────────────────┐
│ 自动标签流程 — 架构 │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ 未标记数据输入 │
│ │ │
│ ▼ │
│ 阶段 1 — LLM 零样本注释 (Ollama / LLaMA 3) │
│ 使用上下文推理分类文本或数字记录 │
│ │ │
│ ▼ │
│ 阶段 2 — 机器学习模型验证 (Scikit-learn) │
│ 使用训练的分类器交叉验证标签 │
│ │ │
│ ▼ │
│ 阶段 3 — 置信度评分分配 │
│ 从两个阶段的协议中为每个标签评分 │
│ │ │
│ ├── 置信度 ≥ 85% → 自动批准 ✓ │
│ └── 置信度 < 85% → 标记为审查 ⚠ │
│ │
│ 标记数据集输出 → /data/labeled/ │
│ │
└─────────────────────────────────────────────────────────────────────┘
```
<br/>
### 注释类型
| 类别 | 支持任务 |
|----------|----------------|
| **文本注释** | 情感（正面 / 负面 / 中立）、意图检测、命名实体识别、主题分类、毒性检测、情绪检测（6 类） |
| **数字注释** | 风险等级（高 / 中 / 低）、异常标记、聚类分配、百分位分段 |
<br/>
### 置信度评分输出格式
```
┌─────────────────────────────────────────────────────────────────┐
│ 注释结果示例 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ 记录 : "The food was absolutely outstanding." │
│ 标签 : 正面 │
│ 评分 : ████████████████████ 96% │
│ 方法 : LLM + ML — 完全协议 ✓ │
│ │
├─────────────────────────────────────────────────────────────────┤
│ │
│ 记录 : "Service was kind of okay I guess." │
│ 标签 : 中立 │
│ 评分 : ██████████████░░░░░░ 71% │
│ 方法 : 部分协议 — 标记为审查 ⚠ │
│ │
└─────────────────────────────────────────────────────────────────┘
```
<br/>
---
## 模块 4 — 数据处理器
处理器模块准备干净的标记数据，以便机器学习训练流程直接使用。每个转换都是确定性、可重复的，并记录下来。
```
┌─────────────────────────────────────────────────────────────────────┐
│ 数据处理器 — 流程 │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ 干净的标记数据输入 │
│ │ │
│ ├── 特征工程 │
│ │ · 日期分解 → 年、月、日、季度 │
│ │ · 文本特征 → 字数、字符数、情感 │
│ │ · 数字派生 → 比率、差异、对数 │
│ │ · 相关列的交互项 │
│ │ │
│ ├── 分类编码 │
│ │ · 标签编码（二进制和有序列） │
│ │ · 独热编码（名义低基数列） │
│ │ · 目标编码（高基数列） │
│ │ · 有序编码（自动检测排名顺序） │
│ │ │
│ ├── 归一化与缩放 │
│ │ · 最小-最大缩放（有界分布） │
│ │ · 标准缩放 / Z-分数（高斯特征） │
│ │ · 鲁棒缩放（异常值抵抗） │
│ │ · 对数变换（右偏分布） │
│ │ │
│ ├── 类别不平衡处理器 │
│ │ · SMOTE 过采样（合成少数派生成） │
│ │ · 随机欠采样 │
│ │ · 类别权重调整 │
│ │ · 混合 SMOTE + 欠采样 │
│ │ │
│ ├── 训练 / 验证 / 测试分割 │
│ │ · 分层分割（保留类别比率） │
│ │ · 可配置的分割比率（默认 80/10/10） │
│ │ · K 折交叉验证支持 │
│ │ │
│ ├── 维度降低 │
│ │ · 主成分分析（可配置的解释方差阈值） │
│ │ · 基于相关性的特征消除 │
│ │ · 方差阈值过滤 │
│ │ │
│ └── 文本向量化 │
│ · TF-IDF（词频权重） │
│ · 字嵌入（Word2Vec / GloVe） │
│ · 句子转换器（HuggingFace） │
│ │
│ 机器学习就绪数据集输出 → /data/processed/ │
│ │
└─────────────────────────────────────────────────────────────────────┘
```
<br/>
---
## 模块 5 — 质量审计员
质量审计员对每个数据集运行结构化、多维的健康评估。它在六个维度上生成量化的评分，并自动显示可行的警告。
```
┌─────────────────────────────────────────────────────────────────────┐
│ 质量审计员 — 流程 │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ 处理后的数据集输入 │
│ │ │
│ ├── 完整性审计 │
│ │ · 每列和全局缺失百分比 │
│ │ · 必需列覆盖率检查 │
│ │ │
│ ├── 一致性审计 │
│ │ · 每列的值格式统一 │
│ │ · 跨列逻辑规则验证 │
│ │ │
│ ├── 准确性审计 │
│ │ · 数值特征的异常密度 │
│ │ · 噪声水平分析和量化 │
│ │ │
│ ├── 偏差检测 │
│ │ · 目标列的类别不平衡比率 │
│ │ · 人口统计学表示分析 │
│ │ （性别、年龄组、地理分布） │
│ │ · 基于 SHAP 的特征影响公平性检查 │
│ │ │
│ ├── 数据泄露检测 │
│ │ · 目标-特征相关性扫描 │
│ │ · 时间泄露检测（未来数据泄漏） │
│ │ · ID 和代理特征识别 │
│ │ │
│ ├── 多样性评分 │
│ │ · 每类别特征的香农熵 │
│ │ · 数值范围的分布扩散 │
│ │ · 唯一值覆盖率比率 │
│ │ │
│ └── 机器学习就绪评分 │
│ · 跨所有六个维度的综合评分 │
│ · 每数据集类型的推荐模型家族 │
│ · 导出就绪评估 │
│ │
└─────────────────────────────────────────────────────────────────────┘
```
<br/>
---
## 模块 6 — 报告生成器
报告生成器为每个处理后的数据集生成一份专业的、自成体系的 PDF 审计报告。报告包括可视化、评分明细和 AI 编写的建议。
<br/>
### 报告内容
| 章节 | 描述 |
|---------|-------------|
| **数据集概览** | 行数、列摘要、数据类型、文件大小、生成时间戳 |
| **生成详情** | 原始提示、检测到的领域、推断的模式、生成时长 |
| **清理摘要** | 受影响的行、应用的策略、填充的值、修改的列 |
| **注释摘要** | 应用的标签、置信度分布直方图、标记的记录数 |
| **质量评分** | 所有六个审计维度评分，带有视觉进度指示器 |
| **可视化** | 分布图、相关热图、缺失值地图、类别平衡图、特征重要性图 |
| **AI 建议** | 自动生成的、针对每个警告的具体建议 |
| **警告和风险标记** | 需要人工审查的关键问题，模型训练前 |
<br/>
### AI 建议块示例
```
┌─────────────────────────────────────────────────────────────────┐
│ AI 建议 — 节选 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ⚠ 警告：列 'age' — 检测到 12% 缺失值。 │
│ 应用的策略：使用相关特征的 KNN 插补 │
│ │
│ ⚠ 警告：目标列中检测到类别不平衡。 │
│ 分布 → 类别 0：85% · 类别 1：15% │
│ 应用的策略：SMOTE 过采样（比率 1:1） │
│ │
│ ✓ 建议：对 'income' 列应用 Log1p 变换 │
│ — 检测到右偏态（偏度 = 2.34） │
│ │
│ ✓ 建议：删除 'employee_id' — 零方差， │
│ 无预测信号，潜在泄漏风险 │
│ │
│ ✓ 模型推荐： │
│ XGBoost 或 LightGBM — 基于特征类型、类别分布和基数 │
│ 的此数据集最佳选择 │
│ │
│ ✓ 多样性：所有类别特征的香农熵评分 = 高 │
│ 优秀的训练覆盖率 │
│ │
└─────────────────────────────────────────────────────────────────┘
```
<br/>
---
## 模块 7 — MCP 工具层
MCP（模型上下文协议）工具层是 DataMinds Labs 的代理编排骨干。中央 LLM 代理根据任务上下文动态选择和调用 MCP 注册的工具。
```
┌─────────────────────────────────────────────────────────────────────┐
│ MCP 代理 — 架构 │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ ┌────────────────────────────────────────┐ │
│ │ LLM 代理 │ │
│ │ Ollama · LLaMA 3 · 编排器 │ │
│ └──────────────────┬─────────────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────────────────────┐ │
│ │ MCP 工具路由器 │ │
│ │ 解析意图 → 选择工具（s） │ │
│ └──┬──────┬──────┬──────┬──────┬─────────┘ │
│ │ │ │ │ │ │
│ ▼ ▼ ▼ ▼ ▼ │
│ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ │
│ │ 文件 │ │ 生成 │ │ 清洁 │ │ 注释 │ │ 审计 │ │
│ │ 工具 │ │ 工具 │ │ 工具 │ │ 工具 │ │ 工具 │ │
│ └──────┘ └──────┘ └──────┘ └──────┘ └──────┘ │
│ │ │
│ ┌────────────────┘ │
│ ▼ │
│ ┌────────────────────────────────────────┐ │
│ │ 报告 + 导出工具 │ │
│ │ PDF · CSV · JSON · Excel │ │
│ └────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────────┘
```
<br/>
### MCP 服务器注册表
| 服务器文件 | 暴露的工具 | 责任 |
|-------------|--------------|----------------|
| `file_server.py` | `read_file`, `write_file`, `list_files` | 数据集文件 I/O 操作 |
| `generator_server.py` | `generate_dataset`, `build_schema`, `validate_diversity` | AI 驱动的数据生成 |
| `cleaner_server.py` | `clean_data`, `detect_outliers`, `fix_types`, `remove_duplicates` | 数据质量清理 |
| `annotator_server.py` | `annotate_text`, `label_numeric`, `score_confidence` | LLM + ML 注释 |
| `auditor_server.py` | `audit_quality`, `detect_bias`, `check_leakage`, `score_health` | 多维度审计 |
| `report_server.py` | `generate_report`, `export_pdf`, `create_charts`, `write_recommendations` | PDF 报告生成 |
## 项目结构
```
DataMinds_Labs/
│
├── mcp_servers/ # MCP 工具层 — 服务器定义
│ ├── file_server.py # 文件系统读写操作
│ ├── generator_server.py # 数据集生成 MCP 工具
│ ├── cleaner_server.py # 数据清洗 MCP 工具
│ ├── annotator_server.py # 注释和标签 MCP 工具
│ ├── auditor_server.py # 质量审计 MCP 工具
│ └── report_server.py # 报告生成 MCP 工具
│
├── modules/ # 核心模块实现
│ │
│ ├── generator/ # 模块 1 — AI 数据集生成器
│ │ ├── dataset_generator.py # 主要的 LLM 驱动生成引擎
│ │ ├── schema_builder.py # 领域模式推断和构建
│ │ └── diversity_checker.py # 输出多样性验证和熵检查
│ │
│ ├── cleaner/ # 模块 2 — 数据清洗器
│ │ ├── missing_handler.py # 多策略缺失值填补
│ │ ├── outlier_detector.py # IQR、Z-Score 和 Isolation Forest 检测
│ │ ├── duplicate_remover.py # 精确和模糊重复消除
│ │ ├── noise_reducer.py # 格式标准化和归一化
│ │ └── text_cleaner.py # NLP 特定文本预处理
│ │
│ ├── annotator/ # 模块 3 — 数据注释和标签
│ │ ├── text_annotator.py # 情感、NER、意图和主题标签
│ │ ├── numeric_labeler.py # 风险、异常和聚类标签分配
│ │ └── confidence_scorer.py # 每标签置信度计算
│ │
│ ├── processor/ # 模块 4 — 数据处理器
│ │ ├── feature_engineer.py # 自动特征创建和派生
│ │ ├── encoder.py # 分类编码策略引擎
│ │ ├── scaler.py # 归一化和缩放管道
│ │ ├── imbalance_handler.py # SMOTE 和重采样策略
│ │ └── splitter.py # 分层训练/验证/测试分割
│ │
│ ├── auditor/ # 模块 5 — 质量审计员
│ │ ├── completeness_checker.py # 缺失值审计和覆盖率评分
│ │ ├── bias_detector.py # 公平性分析和人口审计
│ │ ├── leakage_detector.py # 目标相关性和时间泄漏检查
│ │ ├── diversity_scorer.py # 熵和分布多样性分析
│ │ └── health_scorer.py # 综合健康评分计算
│ │
│ └── reporter/ # 模块 6 — 报告生成器
│ ├── report_generator.py # 完整报告编排逻辑
│ ├── visualizer.py # 图表、绘图、热图和仪表盘
│ └── pdf_exporter.py # 通过 ReportLab 生成专业 PDF
│
├── agent/ # LLM 代理和工具编排
│ ├── main_agent.py # 中央编排 LLM 代理
│ └── tool_router.py # MCP 工具意图分类和路由
│
├── ui/ # Streamlit Web 界面
│ └── app.py # 完整交互式管道仪表盘
│
├── data/ # 数据集存储（gitignored）
│ ├── raw/ # 原始生成或上传的数据集
│ ├── cleaned/ # 清洁后输出的数据集
│ ├── labeled/ # 注释和标签的数据集
│ └── processed/ # ML-ready 最终数据集
│
├── reports/ # 审计报告输出
│ └── output_reports/ # 生成的 PDF 和 HTML 报告
│
├── requirements.txt # Python 依赖项清单
├── .env.example # 环境变量模板
├── .gitignore # Git 忽略配置
└── README.md # 项目文档
```
<br/>
---
## 技术栈
<div align="center">
| 类别 | 技术 | 版本 | 用途 |
|----------|-----------|:-------:|---------|
| **LLM 引擎** | Ollama (LLaMA 3 / Mistral) | 最新 | AI 生成、零-shot 注释、编排 |
| **代理协议** | MCP Python SDK | 最新 | 工具调用架构和代理路由 |
| **后端 API** | FastAPI | 0.110+ | MCP 服务器通信的 REST API 层 |
| **核心语言** | Python | 3.10+ | 所有模块实现 |
| **数据处理** | Pandas + NumPy | 最新 | 数据操作、转换和 I/O |
| **机器学习层** | Scikit-learn + XGBoost | 最新 | 清洁支持、注释验证、处理 |
| **合成数据** | Faker + SDV | 最新 | 逼真和统计有效的数据生成 |
| **类别平衡** | Imbalanced-learn | 最新 | SMOTE 和重采样策略 |
| **NLP 工具包** | SpaCy + NLTK + HuggingFace | 最新 | 文本处理、NER 和句子嵌入 |
| **可视化** | Matplotlib + Seaborn + Plotly | 最新 | 图表、热图和交互式仪表盘 |
| **PDF 生成** | ReportLab | 最新 | 审计报告的专业 PDF 导出 |
| **UI 仪表盘** | Streamlit | 最新 | 完整管道的交互式 Web 界面 |
| **数据库** | SQLite | 内置 | 轻量级本地数据集和会话存储 |
| **可解释性** | SHAP | 最新 | 偏差检测的特征重要性分析 |
</div>
<br/>
---
## 安装和设置
### 系统要求
```
Python >= 3.10
RAM >= 8 GB （推荐 16 GB，适用于 > 10K 行的数据集）
存储空间 >= 5 GB 空闲磁盘空间
Ollama >= 最新 （LLM 功能所需）
操作系统 ： macOS · Linux · Windows（推荐 WSL2）
```
<br/>
### 步骤 1 — 克隆仓库
```bash
git clone https://github.com/dhruv-005/DataMind_Labs.git
cd DataMind_Labs
```
<br/>
### 步骤 2 — 创建和激活虚拟环境
```bash
# 创建虚拟环境
python -m venv venv
# 在 macOS / Linux 上激活
source venv/bin/activate
# 在 Windows 上激活
venv\Scripts\activate
```
<br/>
### 步骤 3 — 安装所有依赖项
```bash
pip install --upgrade pip
pip install -r requirements.txt
```
<br/>
### 步骤 4 — 安装和配置 Ollama
```bash
# 在 macOS / Linux 上安装 Ollama
curl -fsSL https://ollama.ai/install.sh | sh
# 拉取主要模型（LLaMA 3）
ollama pull llama3
# 拉取可选的替代模型（Mistral）
ollama pull mistral
# 验证安装
ollama list
```
<br/>
### 步骤 5 — 配置环境变量
```bash
# 复制示例环境文件
cp .env.example .env
# 使用您的配置编辑
nano .env
```
```env
# ─── Ollama 配置 ───────────────────────────────────────────────────
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_MODEL=llama3
# ─── 数据目录路径 ───────────────────────────────────────────────────
RAW_DATA_DIR=./data/raw
CLEANED_DATA_DIR=./data/cleaned
LABELED_DATA_DIR=./data/labeled
PROCESSED_DATA_DIR=./data/processed
REPORTS_DIR=./reports/output_reports
# ─── 管道默认值 ──────────────────────────────────────────────────────
DEFAULT_CONFIDENCE_THRESHOLD=0.85
DEFAULT_MISSING_VALUE_THRESHOLD=0.50
DEFAULT_TRAIN_SPLIT=0.80
DEFAULT_VALIDATION_SPLIT=0.10
DEFAULT_TEST_SPLIT=0.10
DEFAULT_RANDOM_STATE=42
```
<br/>
### 步骤 6 — 验证安装
```bash
python -c "
import pandas, numpy, sklearn, faker, spacy, streamlit, reportlab, plotly
print('所有核心依赖项均已成功验证.')
"
```
<br/>
---
## 使用指南
### 选项 A — Streamlit 仪表盘（推荐）
启动完整的交互式 Web 界面：
```bash
streamlit run ui/app.py
```
导航到 `http://localhost:8501` 浏览器中。仪表盘提供每一步的逐步访问，并带有实时预览和每个阶段的可下载输出。
<br/>
### 选项 B — CLI 代理模式
直接从终端运行编排代理：
```bash
# 交互模式
python agent/main_agent.py
# 内联提示
python agent/main_agent.py --prompt "生成一个包含 5,000 行数据的欺诈检测数据集"
# 完整选项
python agent/main_agent.py \
--prompt "生成一个用于餐厅评论的情感分析数据集" \
--rows 10000 \
--format csv \
--output ./data/raw/restaurant_reviews.csv
```
<br/>
### 选项 C — 完整管道 — 单个命令
执行完整的端到端管道：
```bash
python agent/main_agent.py \
--prompt "生成员工流失预测数据集" \
--rows 8000 \
--run-full-pipeline \
--export-report \
--output-format csv
```
<br/>
### 选项 D — 模块级 Python API
直接在您自己的代码中使用各个模块：
```python
# 以编程方式生成数据集
from modules.generator.dataset_generator import DatasetGenerator
generator = DatasetGenerator(model="llama3")
dataset = generator.generate(
prompt="信用卡欺诈检测数据集，包含交易元数据",
rows=5000,
output_format="csv"
)
print(f"成功生成 {len(dataset)} 行")
```
```python
# 对现有数据集运行质量审计
from modules.auditor.health_scorer import HealthScorer
import pandas as pd
df = pd.read_csv("data/cleaned/my_dataset.csv")
scorer = HealthScorer()
report = scorer.audit(df, target_column="label")
print(report.summary())
```
```python
# 清洁现有数据集
from modules.cleaner.missing_handler import MissingHandler
from modules.cleaner.outlier_detector import OutlierDetector
import pandas as pd
df = pd.read_csv("data/raw/raw_data.csv")
df = MissingHandler(strategy="knn").fit_transform(df)
df = OutlierDetector(method="isolation_forest").fit_transform(df)
df.to_csv("data/cleaned/clean_data.csv", index=False)
```
<br/>
---
## 示例输出
### 数据集健康报告
```
╔══════════════════════════════════════════════════════════════════════╗
║ DataMinds Labs — 数据集审计报告 ║
║ 生成日期：2025-01-15 · 版本：1.0.0 ║
╠══════════════════════════════════════════════════════════════════════╣
║ 数据集 ： employee_attrition_dataset.csv ║
║ 行数 ： 8,000 · 列数 ： 24 ║
║ 领域 ： HR & People Analytics ║
╠══════════════════════════════════════════════════════════════════════╣
║ ║
║ 审计维度得分 ║
║ ──────────────────────────────────────────────────────────────── ║
║ 完整性 ████████████████████░░ 94% 优秀 ✓ ║
║ 一致性 ████████████████░░░░░░ 88% 良好 ✓ ║
║ 准确性 █████████████████████░ 91% 优秀 ✓ ║
║ 偏差得分 ████████████████████░░ 低 ✓ ║
║ 多样性 █████████████████████░ 高 ✓ ║
║ 机器学习准备度 ████████████████░░░░░░ 89% 良好 ✓ ║
║ ║
╠══════════════════════════════════════════════════════════════════════╣
║ ║
║ 总体健康得分 ║
║ ║
║ ████████████████████████████████████░░░░ 87 / 100 ║
║ ║
║ 等级 ： A- [优秀] ║
║ ║
╠══════════════════════════════════════════════════════════════════════╣
║ ║
║ 警告 ║
║ ⚠ 列 'age' — 12% 缺失 → KNN 填补应用 ║
║ ⚠ 类别不平衡：0 = 79% · 1 = 21% → SMOTE 应用 ║
║ ║
║ 建议 ║
║ ✓ 对 'monthly_income' 应用 Log1p 变换（偏度 = 2.34） ║
║ ✓ 删除 'employee_id' — 零预测信号，泄漏风险 ║
║ ║
║ 推荐模型 ║
║ [1] XGBoost [2] LightGBM [3] Random Forest ║
╚══════════════════════════════════════════════════════════════════════╝
```
<br/>
---
## 开发路线图
```
╔══════════════════════════════════════════════════════════════════════╗
║ 开发路线图 — 6 周 ║
╠══════════╦═══════════════════════════════════════════════════════════╣
║ ║ ║
║ 第 1 周 ║ 项目基础 & MCP 架构 ║
║ ║ · 环境设置、依赖项审计、文件夹结构 ║
║ ║ · 所有六个 MCP 服务器脚手架和互连 ║
║ ║ · Ollama 集成验证端到端 ║
║ ║ · Git 仓库初始化，附带 CI 检查 ║
║ ║ ║
╠══════════╬═══════════════════════════════════════════════════════════╣
║ ║ ║
║ 第 2 周 ║ AI 数据集生成模块 ║
║ ║ · LLM 领域解析器和模式构建器 ║
║ ║ · 行-by-row 结构化生成引擎 ║
║ ║ · 多样性检查器，附带熵验证 ║
║ ║ · CSV、JSON、Excel 和 SQLite 导出支持 ║
║ ║ ║
╠══════════╬═══════════════════════════════════════════════════════════╣
║ ║ ║
║ 第 3 周 ║ 数据清洗器和处理器模块 ║
║ ║ · 完整清洗管道（缺失值、外界值、噪声） ║
║ ║ · 特征工程、编码和缩放引擎 ║
║ ║ · SMOTE 不平衡处理程序和分层分割器 ║
║ ║ ║
╠══════════╬═══════════════════════════════════════════════════════════╣
║ ║ ║
║ 第 4 周 ║ 数据注释和标签模块 ║
║ ║ · LLM 零射注释管道 ║
║ ║ · ML 验证层，用于标签验证 ║
║ ║ · 置信度评分，自动批准阈值 ║
║ ║ ║
╠══════════╬═══════════════════════════════════════════════════════════╣
║ ║ ║
║ 第 5 周 ║ 质量审计模块 ║
║ ║ · 所有六个审计维度实现 ║
║ ║ · SHAP 偏差和特征影响检测 ║
║ ║ · 综合健康评分计算器 ║
║ ║ ║
╠══════════╬═══════════════════════════════════════════════════════════╣
║ ║ ║
║ 第 6 周 ║ 报告生成器 + Streamlit UI + 集成测试 ║
║ ║ · PDF 报告生成，附带完整可视化套件 ║
║ ║ · Streamlit 仪表盘 — 实时交互式界面 ║
║ ║ · 端到端管道集成和回归测试 ║
║ ║ · README 最终定稿和仓库发布 ║
║ ║ ║
╚══════════╩═══════════════════════════════════════════════════════════╝
```
<br/>
## 贡献
贡献使开源项目真正有用。DataMinds Labs 的所有贡献都热烈欢迎 — 从错误修复和文档改进到全新的模块功能。
### 如何贡献
```bash
# 1. 在 GitHub 上分叉仓库
# 2. 克隆您的分叉
git clone https://github.com/YOUR_USERNAME/DataMind_Labs.git
cd DataMind_Labs
# 3. 创建描述性功能分支
git checkout -b feature/your-feature-name
# 4. 进行更改并提交清晰的消息
git add .
git commit -m "feat: 描述您添加或更改的内容"
# 5. 推送到您的分叉
git push origin feature/your-feature-name
# 6. 在 GitHub 上打开拉取请求，并附带清晰的描述
```
<br/>
### 贡献领域
| 领域 | 我们需要 |
|------|-------------|
| **新数据集领域** | 领域模式、示例提示和生成模板 |
| **清洗策略** | 新的填补方法、噪声减少技术 |
| **审计检查** | 额外的质量维度、公平性指标 |
| **UI 改进** | Streamlit 组件增强、UX 改进 |
| **错误报告** | 详细的错误问题和复制步骤以及环境信息 |
| **文档** | 模块级文档字符串、使用示例、教程 |
<br/>
### 提交信息约定
```
feat: 新增功能或能力
fix: 错误修复或纠正
docs: 文档新增或更新
style: 代码格式化，无逻辑变更
refactor: 代码重构，无行为变更
test: 测试新增或更新
chore: 构建配置、依赖或工具更新
```
<br/>
---
## 许可证
```
MIT 许可证
版权所有 (c) 2026 Dhruv Sonani
特此授予任何获得本软件和相关文档文件（“软件”）副本的人无偿许可，
可以无限制地使用软件，包括但不限于使用、复制、修改、合并、发布、
分发、转许可和/或出售软件的副本，并允许提供软件的人员这样做，
需满足以下条件：
上述版权声明和此许可声明应包含在所有副本或软件的实质性部分中。
软件以“原样”提供，不提供任何形式的保证，包括但不限于适销性、
特定用途适用性和非侵权性的保证。在任何情况下，作者或版权持有人
均不承担因软件或软件的使用或与其相关的其他交易而产生的任何索赔、
损害或其他责任，无论是在合同、侵权或其他法律诉讼中。
```
请参阅完整的 [`LICENSE`](./LICENSE) 文件了解详情。
<br/>
---
## 作者
<div align="center">
<br/>
### Dhruv Sonani
*人工智能与机器学习工程师 · 数据管道架构师 · 开源建设者*
<br/>
[](https://github.com/dhruv-005)
[](https://linkedin.com/in/dhruv-sonani)
[](mailto:your-email@example.com)
[](https://github.com/dhruv-005/DataMind_Labs)
<br/>
> *"打造 DataMinds Labs，以证明优秀的数据基础设施应该*
> *开放、智能，并对地球上的每个建设者都可访问。"*
<br/>
---
### 支持项目
如果 DataMinds Labs 对您有所帮助、节省了您的时间或激发了您自己的作品，
请考虑给仓库点个星。这真的有助于项目被更多开发者发现。
<br/>
[](https://github.com/dhruv-005/DataMind_Labs)
<br/>
---
<p align="center">
<sub>
DataMinds Labs — 由
<a href="https://github.com/dhruv-005">Dhruv Sonani</a>
精心打造 · MIT 许可 · 永久开源
</sub>
</p>
</div>
连接信息
猜你喜欢
暂无推荐服务器