HashSlap-Summer-of-Code/ml-core

Design a Unified ML Experiment Tracking Framework

Offen

#7 geöffnet am 18.06.2025

Auf GitHub ansehenContributor Guide
 (0 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Jupyter Notebook (11 Forks)auto 404
Intermediateenhancementgood first issuehacktoberfesthssoc

Repository-Metriken

Stars
 (3 Sterne)
PR-Merge-Metriken
 (PR-Metriken ausstehend)

Beschreibung

Description:
Develop a lightweight and consistent way to log and visualize machine learning experiment results across all subfolders (e.g., neural-networks, supervised-learning, anomaly-detection). This helps contributors compare results over time and improve reproducibility.

Expected Tasks:

  • Create a Python utility (e.g., experiment_logger.py) that logs metrics like accuracy, loss, and hyperparameters to a .csv file.
  • Add basic plotting functionality using matplotlib or seaborn.
  • Place the utility in a new folder like utils/ or tools/.
  • Create a sample log for an existing implementation (e.g., Perceptron).
  • Write a README.md in the root directory explaining:
    • How to use the logger.
    • Required libraries.
    • How to integrate it into a new or existing ML script.

Stretch Goal:

  • Explore integration with lightweight experiment trackers like MLflow or Weights & Biases, while keeping setup minimal.

Contributor Guide

Research-Richtung
Erstellen Sie ein Python Dienstprogramm zur Protokollierung von ML Metriken in CSV, fügen Sie Plotfunktionen mit matplotlib hinzu, platzieren Sie es in utils/, schreiben Sie eine README, die die Verwendung erklärt. Für das erweiterte Ziel erkunden Sie die Integration mit MLflow.
Tech Stack
python
Domain
machine learning
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
2
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-2 Tage
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
PythonGit
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
75