Journal des modifications
Pour chaque mise à jour, nous mettons à jour cette page avec un résumé des changements récents importants apportés à RATH, y compris une horodatage pour la date de mise à jour.
Consultez CHANGELOG.md (opens in a new tab) sur notre GitHub pour un enregistrement complet de toutes les versions historiques.
17 février 2023.
- Ajout de la prise en charge de BigQuery et Snowflake en tant que source de données.
- Ajout de README pour pygwalker, qui vous permet d'utiliser Graphic Walker dans le Jupyter Notebook Python.
21 décembre 2022.
Pour la dernière mise à jour, RATH introduit un outil extrêmement puissant pour l'analyse causale.
L'analyse causale peut être définie comme la façon d'identifier et d'examiner la relation de cause à effet entre les variables, ce qui aide à créer de meilleurs modèles de prédiction et à prendre des décisions éclairées.
La mise à jour de l'analyse causale de RATH comprend les fonctionnalités clés suivantes :
- Découverte causale : génère automatiquement des modèles causaux à partir d'un ensemble de données.
- Éditez vos modèles causaux graphiques dans un éditeur et entrez des connaissances de base prédéfinies pour RATH.
- Examinez et vérifiez vos hypothèses.
- Combinez les outils EDA (Exploratory Data Analysis) pour explorer votre modèle causal.
- Utilisez des visualisations interactives pour comprendre les effets causaux.
- Déployez des modèles d'apprentissage automatique basés sur la causalité et testez des stratégies pour vos modèles causaux.
- Modifiez manuellement les graphes de relations pour les modèles d'analyse causale.
- Réalisez des analyses causales de type "Et si".
Pour plus d'instructions sur la façon de réaliser une analyse causale avec RATH, consultez le chapitre Analyse causale.