Comments 17
А можно в статью про визуализацию вставить что-нибудь, кроме текста?
2. Визуализация графа бесполезная. не видно связей. они должны быть по меньшей мере 2 х видов — 1. наследования и 2. использования общих компонентов.
3. когда выбирается вид сети граф показывает только ее и ее связи.
4. опция — русская версия)
Удачи!
Очень интересный проект!
Несколько замечаний:
- Очень странно, что граф отображается в маленьком фрейме. Я даже слегка обалдел, когда открыл на FullHD (даже не 4K) мониторе. И это при том, что страничка https://backronym.xyz/graph.html прекрасно смотрится.
- 2D действительно будет лучше. Советую посмотреть на проекты Cytoscape и Sigma
- Немного странно, что пропущенные данные отображаются, как NaN. Может лучше просто пробелы?
- Ссылки — просто текст, не кликабельны...
- Планируется ли где-то открыть код и данные проекта?
Классификация знаний по ML — это очень здорово! Хорошее начинание.
Мне кажется этот проект хорошо взлетит при условии, что в него будет просто контрибьютить (здесь я имею ввиду информацию о классах алгоритмов ML, а не о коде визуализации) и просто использовать.
К сожалению в данном формате и то, и другое — сложновато:
- монолитный файл data.js — не самый удобный формат чтобы добавлять и редактировать данные. В особенности это касается раздела связей — при таком виде они оторваны от "контекста" узлов. Человеку, который захочет добавить информацию, будет сложно.
- как уже упоминалось в других комментариях — представление информации может требоваться разное: 3-D, 2-D, список связей какой-нибудь...
- информацию из такого "хранилища" хорошо-бы уметь искать в поисковиках — это добавило-бы популярности.
Из всего этого вопрос. А не задумывались о том, чтобы представить информацию в виде Wiki, возможно с определенными формальными полями и/или гиперссылками? Или еще проще — в виде набора ссылающихся друг на друга .md файлов на том же GitHub.
Это решило бы вопрос удобного редактирования, поиска и использования информации.
А вопрос представления / визуализации связанных документов решить можно.
Визуализация зависимостей и наследований между моделями машинного обучения